图拉普拉斯谱的节点与边差分隐私：机制与标度律
最优化与控制
2022-11-29 v1
摘要
本文构建了一个利用差分隐私对无向图拉普拉斯谱进行隐私保护的框架。我们考虑两种隐私形式：第一种混淆图中边的存在，第二种混淆节点的存在。我们比较了这两种隐私形式，并表明考虑边的隐私形式更适合大多数工程应用。我们使用有界拉普拉斯机制为图拉普拉斯的特征值提供差分隐私，并特别关注代数连通度，即拉普拉斯矩阵的第二小特征值。文中给出了关于机制精度以及利用私有谱计算的某些图性质的解析界。一系列数值算例验证了私有谱在实际应用中的准确性。
引用
@article{arxiv.2211.15366,
title = {Node and Edge Differential Privacy for Graph Laplacian Spectra: Mechanisms and Scaling Laws},
author = {Calvin Hawkins and Bo Chen and Kasra Yazdani and Matthew Hale},
journal= {arXiv preprint arXiv:2211.15366},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2104.00654