隐私保护的神经图相似度学习
机器学习
2022-10-24 v1
摘要
为开发有效且高效的图相似度学习（GSL）模型，近年来提出了一系列数据驱动的神经算法。尽管 GSL 模型经常部署于隐私敏感场景，神经 GSL 模型的用户隐私保护尚未引起太多关注。为全面理解隐私保护问题，我们首先引入可攻击表示的概念，以系统刻画每个模型可能面临的隐私攻击。受定性结果启发，我们提出一种新颖的隐私保护神经图匹配网络模型，名为 PPGM，用于图相似度学习。为防止重构攻击，所提模型不在设备间传递节点级表示。相反，我们基于可学习的上下文向量学习多视角图表示。为缓解对图属性的攻击，传递包含两图信息的混淆特征。以此方式，各图的私有属性难以被推断。基于在计算混淆特征时的节点-图匹配技术，PPGM 在相似度度量上同样有效。为定量评估神经 GSL 模型的隐私保护能力，我们进一步提出一种通过训练有监督黑盒攻击模型的评估协议。在广泛使用基准上的大量实验显示了所提模型 PPGM 的有效性与强隐私保护能力。代码见：https://github.com/RUCAIBox/PPGM。
引用
@article{arxiv.2210.11730,
title = {Privacy-Preserved Neural Graph Similarity Learning},
author = {Yupeng Hou and Wayne Xin Zhao and Yaliang Li and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2210.11730},
year = {2022}
}
备注
Accepted by ICDM 2022 as a regular paper