以差分隐私保证发布图神经网络
机器学习
2023-11-03 v2 密码学与安全
摘要
随着图神经网络（GNNs）在医疗和医学等若干敏感应用中的日益普及，人们对训练好的 GNN 的隐私问题产生了担忧。更值得注意的是，即使仅授予对训练模型的黑盒访问权限，GNN 也易受成员推断攻击等隐私攻击。我们提出 PrivGNN，一种在集中式环境下发布 GNN 模型的隐私保护框架。假设可访问一个公开无标签图，PrivGNN 提供了一个框架，以隐私保护的方式发布显式在公开数据上训练的 GNN 模型以及从私有数据中获得的知识。PrivGNN 将知识蒸馏框架与两种噪声机制（随机子采样和带噪标注）相结合，以确保严格的隐私保证。我们在 Renyi 差分隐私框架下从理论上分析了我们的方法。此外，我们展示了与若干为图结构数据调整的基线相比，我们的方法具有稳健的实验性能。我们的代码可在 https://github.com/iyempissy/privGnn 获取。
引用
@article{arxiv.2109.08907,
title = {Releasing Graph Neural Networks with Differential Privacy Guarantees},
author = {Iyiola E. Olatunji and Thorben Funke and Megha Khosla},
journal= {arXiv preprint arXiv:2109.08907},
year = {2023}
}
备注
Published in TMLR 2023