局部隐私图神经网络

图神经网络（GNNs）在各类图推断任务的节点表示学习中展现出了卓越性能。然而，当节点表示涉及敏感或个人信息的人员或人类相关变量时，在图数据上学习会引发隐私担忧。尽管针对非关系数据的隐私保护深度学习已提出大量技术，但解决在图上应用深度学习算法所带来隐私问题的工作仍较少。本文研究节点数据隐私问题，其中图节点可能含有保持私有的敏感数据，但这些数据对中央服务器在图上训练 GNN 可能有益。为解决该问题，我们基于局部差分隐私（LDP）开发了一种具有形式化隐私保证的、架构无关的隐私保护 GNN 学习算法。具体而言，我们提出了一种 LDP 编码器和无偏校正器，服务器借此可与图节点通信以私有地收集其数据并近似 GNN 的第一层。为进一步降低注入噪声的影响，我们提出在前面添加一个简单的图卷积层，称为 KProp，它基于节点特征的多跳聚合作为去噪机制。最后，我们提出了一个鲁棒训练框架，利用 KProp 的去噪能力在存在噪声标签时提高推断准确率。在真实世界数据集上进行的广泛实验表明，我们的方法能在低隐私损失下保持令人满意的准确率水平。