在图神经网络中保护节点级隐私
机器学习
2025-09-23 v2 密码学与安全
摘要
差分隐私（DP）在表格、图像和序列数据的学习中已得到大量应用，这些场景关注实例级隐私。相比之下，在图学习上，关于节点级隐私的研究极为稀少。现有 DP 协议难以应用于图神经网络（GNNs）中的消息传递机制，由此带来挑战。在本研究中，我们提出一种专门解决节点级隐私问题的方案。我们的协议包含两个主要组件：1）一种称为 HeterPoisson 的采样例程，它采用专门的节点采样策略与一系列定制操作来生成具有所需性质的子图批次；2）一种随机化例程，其使用对称多元 Laplace（SML）噪声而非常用的高斯噪声。我们的隐私核算表明，这一特定组合提供了非平凡的隐私保证。此外，如五个真实世界数据集上的实验所示，我们的协议使 GNN 学习取得良好性能；与现有基线相比，我们的方法展现出显著优势，尤其在高等隐私 regime 下。在实验中，我们还 1）针对我们的协议实施成员推断攻击，以及 2）应用隐私审计技术以确认我们协议的隐私完整性。随后，我们对一种看似有吸引力的方案 \cite{sajadmanesh2023gap}（USENIX'23）进行了研究，该方案通过差分私有节点/实例嵌入来保护节点级隐私。遗憾的是，该工作存在根本性隐私缺陷，我们通过详尽的案例研究予以指出。更重要的是，我们证明了通过私有实例嵌入同时实现（强）隐私与（可接受）效用是不可能的。其含义是，此类方法在施行差分隐私时具有内在的效用壁垒。
引用
@article{arxiv.2311.06888,
title = {Preserving Node-level Privacy in Graph Neural Networks},
author = {Zihang Xiang and Tianhao Wang and Di Wang},
journal= {arXiv preprint arXiv:2311.06888},
year = {2025}
}