LPGNet：用于节点分类的链接私有图网络
机器学习
2022-09-08 v2 人工智能
密码学与安全
社会与信息网络
摘要
带标签图结构数据上的分类任务具有许多重要应用，从社交推荐到金融建模。深度神经网络正越来越多地用于图上的节点分类，其中具有相似特征的节点须被赋予相同标签。图卷积网络(GCNs)是一种被广泛研究的在此任务上表现良好的神经网络架构。然而，近期针对 GCNs 的强大链接窃取攻击表明，即使仅黑盒访问训练好的模型，推断训练图中存在哪些链接(或边)也是可行的。本文提出一种称为 LPGNet 的新神经网络架构，用于在具有隐私敏感边的图上训练。LPGNet 通过一种关于训练期间如何使用图边结构的新颖设计，为边提供差分隐私(DP)保证。我们通过实验表明，LPGNet 模型常处于隐私与效用之间的甜点：它们能比不使用边信息的“平凡”私有架构(如 vanilla MLPs)提供更好效用，并比使用完整边结构的 vanilla GCNs 对现有链接窃取攻击具有更好韧性。在大多数评估数据集中，LPGNet 也比 DPGCN(将差分隐私改造进传统 GCNs 的当前最优机制)提供更一致的隐私-效用权衡。
引用
@article{arxiv.2205.03105,
title = {LPGNet: Link Private Graph Networks for Node Classification},
author = {Aashish Kolluri and Teodora Baluta and Bryan Hooi and Prateek Saxena},
journal= {arXiv preprint arXiv:2205.03105},
year = {2022}
}
备注
Accepted at CCS'22