随机块模型上的隐私保护邻接谱嵌入
机器学习
2019-05-20 v1 密码学与安全
统计方法学
机器学习
摘要
对于由随机块模型生成的图，邻接谱嵌入是渐近一致的。此外，邻接谱嵌入与普遍一致分类器组合可在达到贝叶斯误差方面普遍一致。然而，当图包含私有或敏感信息时，将数据处理为非私有可能泄露隐私并带来披露风险。在本文中，我们提出一种针对随机块模型的差分隐私邻接谱嵌入算法。我们证明，在 Frobenius 范数下，我们所提方法估计的潜位置接近由邻接谱嵌入得到的潜位置，并在模拟与真实网络中的期望隐私参数下取得可比精度。
引用
@article{arxiv.1905.07065,
title = {Privacy Preserving Adjacency Spectral Embedding on Stochastic Blockmodels},
author = {Li Chen},
journal= {arXiv preprint arXiv:1905.07065},
year = {2019}
}
备注
Accepted at Learning and Reasoning with Graph-Structured Representations at ICML 2019