具有链接差分隐私的安全深度图生成
社会与信息网络
2021-05-04 v3 密码学与安全
机器学习
摘要
许多数据挖掘与分析任务依赖于网络（图）的抽象来概括个体（节点）间的关系结构。由于关系数据往往敏感，我们旨在寻求有效方法以生成保留效用且受隐私保护的结构化数据。本文中，我们利用差分隐私（DP）框架对深度图生成模型制定并施加强制性的隐私约束，重点关注边-DP 以保证个体链接隐私。具体而言，我们通过向基于链接重构的图生成模型的梯度注入适当噪声来强制边-DP，同时通过面向结构的图判别改进结构学习以确保数据效用。在两个真实世界网络数据集上的大量实验表明，我们提出的 DPGGAN 模型能够生成全局结构被有效保留且个体链接隐私受严格保护的图。
引用
@article{arxiv.2005.00455,
title = {Secure Deep Graph Generation with Link Differential Privacy},
author = {Carl Yang and Haonan Wang and Ke Zhang and Liang Chen and Lichao Sun},
journal= {arXiv preprint arXiv:2005.00455},
year = {2021}
}
备注
Accepted by IJCAI 2021