利用度量套件改进图中隐私性的度量

社交图被广泛用于研究（例如流行病学）和商业（例如推荐系统）中。然而，共享这些图会带来隐私风险，因为它们包含关于个人的敏感信息。图匿名化技术旨在保护图中的个人用户，而图去匿名化旨在重新识别用户。匿名化和去匿名化算法的有效性通常用隐私度量来评估。然而，现有的隐私度量在图隐私中使用时有多强尚不清楚。在本文中，我们研究了用于图匿名化和去匿名化的26种隐私度量，并根据三个标准评估它们的强度：单调性指示该度量是否对更强的对手表现出更低的隐私；对于场景内比较，均匀性指示度量值是否均匀分布；对于场景间比较，共享值域指示度量是否跨场景使用一致的值域。我们大量的实验表明，没有单一的度量能完美满足所有三个标准。因此我们采用多准则决策分析的方法将多个度量聚合为一个度量套件，并表明这些度量套件相比最佳单个度量改善了单调性。这一重要结果使得对新图匿名化和去匿名化算法的评估更具单调性，从而更准确。