面向去中心化图上基于本地差分隐私的私有学习

许多现实世界的网络本质上是去中心化的。例如，在社交网络中，每个用户维护着社交图的本地视图，例如好友列表及其个人资料。通常会收集这些社交图的本地视图并执行图学习任务。然而，在图上进行学习可能引发隐私问题，因为这些本地视图常包含敏感信息。在本文中，我们致力于在去中心化网络图上确保私有图学习。为实现这一目标，我们提出了 Solitude，一种基于图神经网络（GNNs）的新的隐私保护学习框架，其形式化隐私保证基于边本地差分隐私。Solitude 的核心是一组新的精细机制，能够校准从用户收集的 decentralized 图中引入的噪声。校准背后的原理是许多现实世界图所共享的固有属性，例如稀疏性。与现有的本地私有 GNN 工作不同，我们的新框架能够同时保护节点特征隐私和边隐私，并且可以与任何具有隐私-效用保证的 GNN 无缝结合。在基准数据集上的大量实验表明，Solitude 能够在给定隐私预算下保留所学 GNN 的泛化能力，同时保护用户数据隐私。