論文の概要: SoK: Practical Aspects of Releasing Differentially Private Graphs

• arxiv url: http://arxiv.org/abs/2603.18779v1
• Date: Thu, 19 Mar 2026 11:30:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.115879
• Title: SoK: Practical Aspects of Releasing Differentially Private Graphs
• Title（参考訳）: SoK: 差別的にプライベートなグラフを緩和する実践的側面
• Authors: Nicholas D'Silva, Surya Nepal, Salil S. Kanhere,
• Abstract要約: グラフデータは、分析的な価値を提供するが、プライバシの懸念を高めるために、ドメイン間でますます広まっている。 グラフに差分プライバシーを適用することは、複雑なリレーショナル構造のため難しい。 既存のメソッドは、プライバシ定義、ユーティリティ目標、コンテキスト設定によって異なり、比較が複雑になる。 本稿では,実践的考察に適合し,多様な実践目的に適応する既存の手法の体系化を提案する。
• 参考スコア（独自算出の注目度）: 20.29082580927169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph data is increasingly prevalent across domains, offering analytical value but raising significant privacy concerns. Edges may encode sensitive relationships, while node attributes may contain sensitive entity or personal data. Differential Privacy (DP) has gained traction for its strong guarantees, yet applying DP to graphs is challenging because of their complex relational structure, leading to trade-offs between privacy and utility. Existing methods vary in privacy definitions, utility goals, and contextual settings, complicating comparison. For practitioners, this is compounded by DP's interpretability issues, contributing to misleading protection claims. To address this, we propose a novel systemisation of existing methods tailored to practical considerations and adaptable to varying practitioner objectives. Our contributions include: (i) a comprehensive survey of differentially private graph release methods; (ii) identification of key vulnerabilities; and (iii) a practitioner-oriented, objective-based framework to guide the selection, interpretation, and sound evaluation of existing methods. We demonstrate the use of our systemisation through two exemplary scenarios in which we assume the role of a social network analyst, apply it, and conduct evaluations in accordance with our framework. Together, these two illustrative instantiations ultimately provide a unified benchmark for state-of-the-art methods in the social networks domain.
• Abstract（参考訳）: グラフデータは、分析的な価値を提供するが、重要なプライバシー上の懸念を生じさせるように、ドメイン間でますます広まっている。 エッジはセンシティブな関係を符号化し、ノード属性はセンシティブなエンティティや個人データを含むことができる。 差別化プライバシ(DP)はその強力な保証によって注目を集めているが、グラフにDPを適用することは、その複雑なリレーショナル構造のために困難であり、プライバシとユーティリティのトレードオフにつながる。 既存のメソッドは、プライバシ定義、ユーティリティ目標、コンテキスト設定によって異なり、比較が複雑になる。 実践者にとって、これはDPの解釈可能性の問題と混同され、保護の主張を誤解させる原因となっている。 そこで本研究では,実践的考察に適した既存手法の新たな体系化と,様々な実践的目的に適応できる手法を提案する。 コントリビューションには以下のものがある。 i) 差分的にプライベートなグラフの公開方法に関する総合的な調査 二 鍵の脆弱性の特定、及び 三 既存の方法の選択、解釈、音質評価を指導する実践者指向の客観的な枠組み。 我々は,ソーシャルネットワークアナリストの役割を前提として,それを適用し,枠組みに従って評価を行う,2つの模範的なシナリオを通じて,システムの利用を実証する。 これら2つの図解的インスタンス化は、最終的にソーシャルネットワーク領域における最先端メソッドの統一されたベンチマークを提供する。

関連論文リスト

• Subgraph Federated Learning via Spectral Methods [52.40322201034717]
  FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。 我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
  論文  参考訳（メタデータ） (2025-10-29T16:22:32Z)
• SynBench: A Benchmark for Differentially Private Text Generation [35.908455649647784]
  医療や金融といった高度な分野におけるデータ駆動型意思決定のサポートは、データ共有にとって大きな障壁に直面している。 大規模言語モデルのような最近の生成AIモデルは、オープンドメインタスクにおいて印象的なパフォーマンスを示している。 しかし、彼らのセンシティブな環境への導入は、予測不可能な振る舞いと、プライバシー保護の不十分なデータセットによって制限されている。
  論文  参考訳（メタデータ） (2025-09-18T03:57:50Z)
• Differentially Private Relational Learning with Entity-level Privacy Guarantees [17.567309430451616]
  本研究は,形式的エンティティレベルDP保証を用いた関係学習の原則的枠組みを提案する。 本稿では,実体発生頻度に基づいてクリッピング閾値を変調する適応的勾配クリッピング方式を提案する。 これらの貢献により、プライバシー保証が保証されたリレーショナルデータに対して、DP-SGDの修正版が提供される。
  論文  参考訳（メタデータ） (2025-06-10T02:03:43Z)
• Distributed, communication-efficient, and differentially private estimation of KL divergence [15.294136011320433]
  分散された機密性の高いデータを管理する上で重要なタスクは、分散の変化の度合いを測定することである。 差分プライバシの下で,計算のフェデレーションモデル間でのKL分散を推定するための新しいアルゴリズムアプローチについて述べる。
  論文  参考訳（メタデータ） (2024-11-25T15:20:40Z)
• 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)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Privacy-preserving Graph Analytics: Secure Generation and Federated Learning [72.90158604032194]
  我々は、リッチな属性と関係を表現する重要な能力を提供するグラフデータのプライバシー保護分析に焦点を当てる。 本稿では,プライバシ保護グラフ生成とフェデレーショングラフ学習という2つの方向性について論じる。
  論文  参考訳（メタデータ） (2022-06-30T18:26:57Z)
• Semantics-Preserved Distortion for Personal Privacy Protection in Information Management [65.08939490413037]
  本稿では,意味的整合性を維持しつつテキストを歪ませる言語学的アプローチを提案する。 本稿では, 意味保存歪みの枠組みとして, 生成的アプローチと置換的アプローチの2つを提示する。 また、特定の医療情報管理シナリオにおけるプライバシ保護についても検討し、機密データの記憶を効果的に制限していることを示す。
  論文  参考訳（メタデータ） (2022-01-04T04:01:05Z)
• Differentially Private and Fair Deep Learning: A Lagrangian Dual Approach [54.32266555843765]
  本稿では,個人の機密情報のプライバシを保護するとともに,非差別的予測器の学習を可能にするモデルについて検討する。 この方法は、微分プライバシーの概念と、公正性制約を満たすニューラルネットワークの設計にラグランジアン双対性(Lagrangian duality)を用いることに依存している。
  論文  参考訳（メタデータ） (2020-09-26T10:50:33Z)

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。