基于本地差分隐私的隐私保护图嵌入
密码学与安全
2024-08-06 v2 机器学习
社会与信息网络
摘要
图嵌入已成为学习图中节点潜在表示的有力工具。尽管其在各类基于图的机器学习任务中性能优越，但当图数据包含个人或敏感信息时，会引发严重的隐私担忧。为解决此问题，我们研究并开发了满足本地差分隐私（LDP）的图嵌入算法。我们引入一种名为 PrivGE 的新型隐私保护图嵌入框架以保护节点数据隐私。具体而言，我们提出一种 LDP 机制来混淆节点数据，并利用个性化 PageRank 作为邻近度量来学习节点表示。此外，我们对 PrivGE 框架所提供的隐私保证与效用进行了理论分析。在多个真实世界图数据集上的大量实验表明，PrivGE 在隐私与效用间实现了最优平衡，并在节点分类与链接预测任务中显著优于现有方法。
引用
@article{arxiv.2310.11060,
title = {Privacy-Preserving Graph Embedding based on Local Differential Privacy},
author = {Zening Li and Rong-Hua Li and Meihao Liao and Fusheng Jin and Guoren Wang},
journal= {arXiv preprint arXiv:2310.11060},
year = {2024}
}
备注
to be published in CIKM 2024