論文の概要: Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees

• arxiv url: http://arxiv.org/abs/2209.01539v1
• Date: Sun, 4 Sep 2022 06:22:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 14:42:26.643192
• Title: Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees
• Title（参考訳）: ハイブリッド差分プライバシー保証を用いたクロスネットワークソーシャルユーザ埋め込み
• Authors: Jiaqian Ren and Lei Jiang and Hao Peng and Lingjuan Lyu and Zhiwei Liu and Chaochao Chen and Jia Wu and Xu Bai and Philip S. Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 81.6471440778355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating multiple online social networks (OSNs) has important implications for many downstream social mining tasks, such as user preference modelling, recommendation, and link prediction. However, it is unfortunately accompanied by growing privacy concerns about leaking sensitive user information. How to fully utilize the data from different online social networks while preserving user privacy remains largely unsolved. To this end, we propose a Cross-network Social User Embedding framework, namely DP-CroSUE, to learn the comprehensive representations of users in a privacy-preserving way. We jointly consider information from partially aligned social networks with differential privacy guarantees. In particular, for each heterogeneous social network, we first introduce a hybrid differential privacy notion to capture the variation of privacy expectations for heterogeneous data types. Next, to find user linkages across social networks, we make unsupervised user embedding-based alignment in which the user embeddings are achieved by the heterogeneous network embedding technology. To further enhance user embeddings, a novel cross-network GCN embedding model is designed to transfer knowledge across networks through those aligned users. Extensive experiments on three real-world datasets demonstrate that our approach makes a significant improvement on user interest prediction tasks as well as defending user attribute inference attacks from embedding.
• Abstract（参考訳）: 複数のオンラインソーシャルネットワーク(OSN)を統合することは、ユーザ好みのモデリング、リコメンデーション、リンク予測など、下流の多くのソーシャルマイニングタスクに重要な意味を持つ。 しかし残念ながら、機密情報漏洩に関するプライバシー上の懸念が強まっている。 ユーザーのプライバシーを維持しながら、異なるオンラインソーシャルネットワークからのデータを完全に活用する方法はほとんど未解決だ。 そこで本研究では,プライバシ保護方式でユーザの包括的表現を学ぶために,クロスネットワークな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。 我々は、部分的に連携したソーシャルネットワークからの情報と、異なるプライバシー保証を共同で検討する。 特に,ヘテロジニアスなソーシャルネットワーク毎に,我々はまず,異種データ型に対するプライバシ期待の変動を捉えるために,ハイブリッドな差分プライバシー概念を導入する。 次に,ソーシャルネットワークにまたがるユーザリンクを見つけるために,ヘテロジニアスなネットワーク組込み技術によってユーザ組込みを実現する,教師なしのユーザ組込みに基づくアライメントを行う。 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。 3つの実世界のデータセットに対する大規模な実験は、我々のアプローチがユーザの関心予測タスクを大幅に改善し、ユーザ属性推論攻撃を埋め込みから防御することを示した。

関連論文リスト

• Differentially Private Data Release on Graphs: Inefficiencies and Unfairness [48.96399034594329]
  本稿では,ネットワーク情報公開の文脈における偏見と不公平性に対する差別的プライバシの影響を特徴づける。 ネットワーク構造が全員に知られているネットワークリリースの問題を考えるが、エッジの重みをプライベートにリリースする必要がある。 我々の研究は、これらのネットワーク化された決定問題におけるプライバシーに起因する偏見と不公平性に関する理論的根拠と実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-08-08T08:37:37Z)
• Unveiling Privacy Vulnerabilities: Investigating the Role of Structure in Graph Data [17.11821761700748]
  本研究では,ネットワーク構造から生じるプライバシーリスクに対する理解と保護を推し進める。 我々は,ネットワーク構造によるプライバシー漏洩の可能性を評価するための重要なツールとして機能する,新しいグラフプライベート属性推論攻撃を開発した。 攻撃モデルはユーザのプライバシに重大な脅威を与え,グラフデータ公開手法は最適なプライバシとユーティリティのトレードオフを実現する。
  論文  参考訳（メタデータ） (2024-07-26T07:40:54Z)
• Consistent community detection in multi-layer networks with heterogeneous differential privacy [4.451479907610764]
  本稿では,各ノードのプライバシ設定に基づいて,エッジ情報を保護可能なエッジフリップ機構を提案する。 多層度補正ブロックモデルの下でコミュニティ構造を保ちながら、差分プライバシーを実現することができる。 エッジのより優れたプライバシ保護は、ノードの割合で取得可能であると同時に、他のノードがプライバシを放棄できることが示されています。
  論文  参考訳（メタデータ） (2024-06-20T22:49:55Z)
• 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)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• 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)
• Applications of Differential Privacy in Social Network Analysis: A Survey [60.696428840516724]
  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。
  論文  参考訳（メタデータ） (2020-10-06T19:06:03Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。