論文の概要: Applications of Differential Privacy in Social Network Analysis: A
Survey
- arxiv url: http://arxiv.org/abs/2010.02973v2
- Date: Thu, 15 Apr 2021 00:50:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-29 20:03:42.871495
- Title: Applications of Differential Privacy in Social Network Analysis: A
Survey
- Title(参考訳): ソーシャルネットワーク分析におけるディファレンシャルプライバシの応用:調査
- Authors: Honglu Jiang, Jian Pei, Dongxiao Yu, Jiguo Yu, Bei Gong, Xiuzhen Cheng
- Abstract要約: 差別化プライバシは、情報を共有し、強力な保証でプライバシを保存するのに有効である。
ソーシャルネットワーク分析は多くのアプリケーションで広く採用されており、差分プライバシーの応用のための新たな領域が開かれた。
- 参考スコア(独自算出の注目度): 60.696428840516724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differential privacy is effective in sharing information and preserving
privacy with a strong guarantee. As social network analysis has been
extensively adopted in many applications, it opens a new arena for the
application of differential privacy. In this article, we provide a
comprehensive survey connecting the basic principles of differential privacy
and applications in social network analysis. We present a concise review of the
foundations of differential privacy and the major variants and discuss how
differential privacy is applied to social network analysis, including privacy
attacks in social networks, types of differential privacy in social network
analysis, and a series of popular tasks, such as degree distribution analysis,
subgraph counting and edge weights. We also discuss a series of challenges for
future studies.
- Abstract(参考訳): ディファレンシャルプライバシは、情報を共有し、強力な保証でプライバシを維持する上で有効である。
ソーシャルネットワーク分析は多くのアプリケーションで広く採用されているため、差分プライバシーの応用に新しい分野が開けている。
本稿では,差分プライバシの基本原則とソーシャルネットワーク分析への応用を包括的にまとめた調査を行う。
本稿では,ソーシャルネットワークにおけるプライバシ攻撃,ソーシャルネットワーク分析におけるディファレンシャルプライバシのタイプ,度数分布分析,サブグラフカウント,エッジウェイトなどの一般的なタスクなど,差分プライバシがソーシャルネットワーク分析にどのように適用されるか,といった,差分プライバシの基礎に関する簡潔なレビューを紹介する。
また,今後の研究の課題についても考察する。
関連論文リスト
- A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳(メタデータ) (2023-09-27T14:38:16Z) - Composition of Differential Privacy & Privacy Amplification by
Subsampling [18.397305289651907]
この章は、"Differential Privacy for Artificial Intelligence Applications"という本の一部である。
我々は、差分プライバシーの最も重要な特性、つまり構成について紹介する。
この章では、基本的な概念を紹介し、これらのツールを実践するのに必要な重要な結果を示す。
論文 参考訳(メタデータ) (2022-10-02T18:22:31Z) - Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。
本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文 参考訳(メタデータ) (2022-09-08T22:43:50Z) - Cross-Network Social User Embedding with Hybrid Differential Privacy
Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。
特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。
ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文 参考訳(メタデータ) (2022-09-04T06:22:37Z) - Privacy Information Classification: A Hybrid Approach [9.642559585173517]
本研究は,OSNからプライバシ情報を検出し,分類するためのハイブリッドプライバシ分類手法を提案する。
提案したハイブリッドアプローチは、プライバシー関連の情報抽出にディープラーニングモデルとオントロジーベースのモデルの両方を用いる。
論文 参考訳(メタデータ) (2021-01-27T18:03:18Z) - Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。
本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文 参考訳(メタデータ) (2020-12-14T18:59:24Z) - I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文 参考訳(メタデータ) (2020-02-05T11:10:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。