无线网络中基于图神经网络的隐私保护去中心化推理
信息论
2023-05-31 v2 密码学与安全
机器学习
math.IT
摘要
作为针对图数据的高效神经网络模型，图神经网络 (GNNs) 近来在各种无线优化问题中获得了成功应用。鉴于 GNN 的推理阶段可以自然以去中心化方式实现，GNN 是下一代无线通信中去中心化控制/管理的潜在赋能技术。然而，在基于 GNN 的去中心化推理过程中，邻居间的信息交换可能导致隐私泄露。为处理该问题，本文分析并增强了无线网络中基于 GNN 的去中心化推理的隐私性。具体而言，我们采用局部差分隐私作为度量，并设计新颖的隐私保护信号以及隐私保证训练算法以实现隐私保护推理。我们还定义了 SNR-隐私权衡函数来分析无线网络中基于 GNN 的去中心化推理的性能上界。为进一步提升通信与计算效率，我们采用空中计算技术，并从理论上证明了其在隐私保护方面的优势。通过在合成图数据上的大量仿真，我们验证了理论分析，证实了所提隐私保护无线信令与隐私保证训练算法的有效性，并给出了一些实际实现的指导。
引用
@article{arxiv.2208.06963,
title = {Privacy-Preserving Decentralized Inference with Graph Neural Networks in Wireless Networks},
author = {Mengyuan Lee and Guanding Yu and Huaiyu Dai},
journal= {arXiv preprint arXiv:2208.06963},
year = {2023}
}
备注
This paper has been accepted by TWC