用于层级感知图嵌入的 Poincar\'e 差分隐私
机器学习
2024-03-01 v3 密码学与安全
摘要
层级是现实世界图中一种重要且常见的拓扑属性，反映了上下级关系或人类群体的组织行为。随着层级作为新的归纳偏置被引入各种任务中的图神经网络 (GNN)，它为攻击者推断潜在拓扑关系以提高推理攻击性能提供了可能，从而导致严重的隐私泄露问题。此外，现有的隐私保护框架由于缺乏对层级扰动边界的自适应上界估计，在层级传播中的保护能力有所下降。有效利用数据的层级属性同时满足隐私保证显得尤为紧迫。为解决此问题，我们提出了基于双曲几何的 Poincar\'e 差分隐私框架（命名为 PoinDP），以保护层级感知图嵌入。具体而言，PoinDP 首先基于双曲空间中的 Poincar\'e 模型学习每个实体的层级权重。然后，设计了个性化层级感知敏感度来衡量层级结构的敏感度并自适应分配隐私保护强度。此外，提出了双曲高斯机制 (HGM)，将欧几里得空间中的高斯机制扩展到双曲空间，以实现在双曲空间度量下满足差分隐私的随机扰动。在五个真实世界数据集上的大量实验结果证明了所提出的 PoinDP 在保持节点分类任务良好性能的同时，具有有效的隐私保护优势。
引用
@article{arxiv.2312.12183,
title = {Poincar\'e Differential Privacy for Hierarchy-Aware Graph Embedding},
author = {Yuecen Wei and Haonan Yuan and Xingcheng Fu and Qingyun Sun and Hao Peng and Xianxian Li and Chunming Hu},
journal= {arXiv preprint arXiv:2312.12183},
year = {2024}
}
备注
Accepted by the Thirty-Eighth AAAI Conference on Artificial Intelligence (AAAI-24)