論文の概要: Decentralized Privacy Preservation for Critical Connections in Graphs
- arxiv url: http://arxiv.org/abs/2405.11713v1
- Date: Mon, 20 May 2024 01:22:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-21 14:33:17.431718
- Title: Decentralized Privacy Preservation for Critical Connections in Graphs
- Title（参考訳）: グラフにおける臨界接続のための分散プライバシ保護
- Authors: Conggai Li, Wei Ni, Ming Ding, Youyang Qu, Jianjun Chen, David Smith, Wenjie Zhang, Thierry Rakotoarivelo,
- Abstract要約: 本稿では,結合的なサブグラフ探索に基づいて,個々の参加者に対するエンティティ接続の重要情報を識別し,保護する問題について考察する。
要塞内のユーザ接続は、解放されると難読化され、ユーザに関する重要な情報を保護する。
分散ディファレンシャルプライバシ(DDP)メカニズムの下では、重要な接続が保護され、残りの接続が未飽和状態にある場合に、その応答が$(varepsilon, delta)$-DDPを満たすことが証明されている。
- 参考スコア（独自算出の注目度）: 25.50872357997492
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many real-world interconnections among entities can be characterized as graphs. Collecting local graph information with balanced privacy and data utility has garnered notable interest recently. This paper delves into the problem of identifying and protecting critical information of entity connections for individual participants in a graph based on cohesive subgraph searches. This problem has not been addressed in the literature. To address the problem, we propose to extract the critical connections of a queried vertex using a fortress-like cohesive subgraph model known as $p$-cohesion. A user's connections within a fortress are obfuscated when being released, to protect critical information about the user. Novel merit and penalty score functions are designed to measure each participant's critical connections in the minimal $p$-cohesion, facilitating effective identification of the connections. We further propose to preserve the privacy of a vertex enquired by only protecting its critical connections when responding to queries raised by data collectors. We prove that, under the decentralized differential privacy (DDP) mechanism, one's response satisfies $(\varepsilon, \delta)$-DDP when its critical connections are protected while the rest remains unperturbed. The effectiveness of our proposed method is demonstrated through extensive experiments on real-life graph datasets.
- Abstract（参考訳）: 実体間の多くの実世界の相互接続はグラフとして特徴づけられる。
プライバシーとデータユーティリティのバランスがとれたローカルグラフ情報の収集は、最近注目を浴びている。
本稿では,結合的なサブグラフ探索に基づいて,個々の参加者に対するエンティティ接続の重要情報を識別し,保護する問題について考察する。
この問題は文学では解決されていない。
この問題に対処するために,我々は,$p$-cohesion として知られる要塞状粘着部分グラフモデルを用いて,クエリド頂点の臨界接続を抽出することを提案する。
要塞内のユーザ接続は、解放されると難読化され、ユーザに関する重要な情報を保護する。
新たなメリットとペナルティスコア関数は、各参加者の臨界接続を最小の$p$結合で測定し、コネクションの効果的な識別を容易にするように設計されている。
さらに,データ収集者によるクエリに対する応答において,重要な接続のみを保護し,検索した頂点のプライバシを保護することを提案する。
分散ディファレンシャルプライバシ(DDP)メカニズムの下では、重要な接続が保護され、残りの接続が未飽和状態にある場合に、その応答が$(\varepsilon, \delta)$-DDPを満たすことが証明されている。
提案手法の有効性は,実生活グラフデータセットを用いた広範囲な実験により実証された。
関連論文リスト
- 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) - Differentially Private Graph Diffusion with Applications in Personalized PageRanks [15.529891375174165]
本研究は,雑音拡散イテレートを用いてエッジレベルの差分プライバシーを保証する新しいグラフ拡散フレームワークを提案する。
このアルゴリズムは拡散当たりのラプラスノイズを注入し、低次ノードによって誘導される高感度を緩和する度合いベースの閾値関数を採用する。
私たちのプライバシー損失分析は、PABI(Privacy Amplification by Iteration)に基づいています。
論文 参考訳（メタデータ） (2024-06-22T15:32:53Z) - Blink: Link Local Differential Privacy in Graph Neural Networks via
Bayesian Estimation [79.64626707978418]
分散ノード上でのリンクローカル差分プライバシーを用いてグラフニューラルネットワークをトレーニングする。
当社のアプローチでは、グラフトポロジをより悪用するために、グラフのリンクと学位を別々に、プライバシ予算に費やしています。
当社のアプローチは、様々なプライバシー予算の下での精度において、既存の手法よりも優れています。
論文 参考訳（メタデータ） (2023-09-06T17:53:31Z) - Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。
本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。
実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
論文 参考訳（メタデータ） (2022-09-16T09:13:43Z) - Smooth Anonymity for Sparse Graphs [69.1048938123063]
しかし、スパースデータセットを共有するという点では、差分プライバシーがプライバシのゴールドスタンダードとして浮上している。
本研究では、スムーズな$k$匿名性(スムーズな$k$匿名性)と、スムーズな$k$匿名性(スムーズな$k$匿名性)を提供する単純な大規模アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-07-13T17:09:25Z) - Muffliato: Peer-to-Peer Privacy Amplification for Decentralized Optimization and Averaging [20.39986955578245]
ローカルディファレンシャルプライバシ(LDP)の緩和であるペアワイズネットワークディファレンシャルプライバシを導入する。
我々は、局所勾配降下ステップとゴシップ平均化を交互に交互に行う、微分プライベートな分散最適化アルゴリズムを導出する。
我々のアルゴリズムは,グラフ内のノード間距離の関数として,プライバシー保証を増幅することを示す。
論文 参考訳（メタデータ） (2022-06-10T13:32:35Z) - Differentially Private Community Detection for Stochastic Block Models [22.526853379896252]
本研究では,個々の接続のプライバシを保ちながら,コミュニティ検出問題について検討する。
本稿では,3つの異なる地域社会回復機構の幅広いクラスについて,関連する情報トレードオフを提示し,分析する。
論文 参考訳（メタデータ） (2022-01-31T18:59:19Z) - Deconfounded Training for Graph Neural Networks [98.06386851685645]
本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。
具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。
これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
論文 参考訳（メタデータ） (2021-12-30T15:22:35Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T00:02:06Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳（メタデータ） (2021-06-05T07:07:52Z) - Privacy-Aware Time-Series Data Sharing with Deep Reinforcement Learning [33.42328078385098]
時系列データ共有におけるプライバシーユーティリティトレードオフ(PUT)について検討する。
現時点でのプライバシを保存する方法は、トレースレベルでかなりの量の情報をリークする可能性がある。
我々は、ユーザの真のデータシーケンスの歪んだバージョンを、信頼できない第三者と共有することを検討する。
論文 参考訳（メタデータ） (2020-03-04T18:47:25Z)
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。