論文の概要: Towards Personalized Differentially Private Learning for Decentralized Local Graphs

• arxiv url: http://arxiv.org/abs/2607.04777v1
• Date: Mon, 06 Jul 2026 08:07:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.083937
• Title: Towards Personalized Differentially Private Learning for Decentralized Local Graphs
• Title（参考訳）: 分散ローカルグラフのための個人化差分私的学習に向けて
• Abstract要約: ローカル微分プライバシー(LDP)は、信頼できるサーバに頼ることなく、プライバシを保存するデータ収集のための有望なソリューションとして登場した。 既存の LDP ベースのグラフ学習手法は、通常、ユーザ間で均一なプライバシ要件を仮定する。 PPGNNは分散グラフデータのためのパーソナライズド・ディペンデント・プライベートなフレームワークである。
• 参考スコア（独自算出の注目度）: 62.244412935520025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured data is increasingly generated and stored in decentralized environments, such as social platforms, mobile applications, and edge networks, where users maintain control over their local graph data. However, collecting and analyzing such decentralized graph data for downstream learning tasks raises significant privacy concerns, as nodes and their attributes often contain sensitive personal information. Local Differential Privacy (LDP) has emerged as a promising solution for privacy-preserving data collection without relying on trusted servers. Nevertheless, existing LDP-based graph learning methods typically assume uniform privacy requirements across users, ignoring the heterogeneous and personalized privacy preferences commonly observed in real-world systems. This uniform treatment leads to inflexible noise injection at the data collection stage, resulting in substantial distortion of graph data and degraded utility in subsequent analysis. To address this limitation, we propose PPGNN, a personalized differentially private framework for decentralized graph data. PPGNN enables user-specific privacy budgets during local perturbation while preserving analytical utility. To handle heterogeneous privacy levels and noise distortion, we design a two-stage solution consisting of a Personalized Perturbation Mechanism (PPM) and a weighted calibration strategy, FlexProp. Extensive experiments on six real-world graph datasets demonstrate that PPGNN effectively balances personalized privacy protection and data utility in decentralized graph learning scenarios.
• Abstract（参考訳）: グラフ構造化データは、ソーシャルプラットフォーム、モバイルアプリケーション、エッジネットワークなどの分散環境において、ユーザがローカルグラフデータのコントロールを維持するために、ますます生成され、保存されるようになっている。 しかし、下流学習タスクのための分散化されたグラフデータの収集と分析は、ノードとその属性が機密性の高い個人情報を含むことが多いため、重要なプライバシー上の懸念を引き起こす。 ローカル微分プライバシー(LDP)は、信頼できるサーバに頼ることなく、プライバシを保存するデータ収集のための有望なソリューションとして登場した。 それでも、既存のLCPベースのグラフ学習手法は、現実のシステムでよく見られる不均一でパーソナライズされたプライバシの好みを無視して、ユーザ間で均一なプライバシ要件を仮定する。 この均一な処理は、データ収集段階での反射性ノイズ注入につながり、その後の分析において、グラフデータの相当な歪みと劣化した有用性をもたらす。 この制限に対処するため、分散グラフデータのためのパーソナライズされた微分プライベートフレームワーク PPGNN を提案する。 PPGNNは、分析ユーティリティを保持しながら、局所摂動中のユーザ固有のプライバシー予算を可能にする。 不均一なプライバシレベルとノイズ歪みに対処するために、パーソナライズされた摂動機構(PPM)と重み付けされた校正戦略であるFlexPropからなる2段階のソリューションを設計する。 6つの実世界のグラフデータセットに対する大規模な実験により、PPGNNは分散グラフ学習シナリオにおいて、パーソナライズされたプライバシ保護とデータユーティリティを効果的にバランスさせることが示されている。

関連論文リスト

• Graph Structure Learning with Privacy Guarantees for Open Graph Data [6.011824091708078]
  本稿では,Gaussian DP (GDP) を利用したオープングラフグラフに対する構造的ノイズ注入機構を用いた新しいプライバシ保護推定フレームワークを提案する。 推定精度を理論的に保証し、離散可変プライバシートレーニングに拡張する。 グラフ学習の実験結果は、堅牢なパフォーマンスを示し、プライバシー保護グラフ分析のための実行可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-25T09:51:12Z)
• Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
  VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-10-31T15:34:59Z)
• Privacy-Preserving Graph Embedding based on Local Differential Privacy [26.164722283887333]
  ノードデータのプライバシを保護するために,PrivGEという新たなプライバシ保護グラフ埋め込みフレームワークを導入する。 具体的には,ノードデータを難読化するための LDP 機構を提案し,パーソナライズされた PageRank を近接指標としてノード表現を学習する。 いくつかの実世界のグラフデータセットの実験は、PrivGEがプライバシとユーティリティの最適なバランスを達成していることを示している。
  論文  参考訳（メタデータ） (2023-10-17T08:06:08Z)
• 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)
• Local Differential Privacy in Graph Neural Networks: a Reconstruction Approach [17.000441871334683]
  ユーザレベルでノードのプライバシを提供するための学習フレームワークを提案する。 我々は、分散化された微分プライバシーの概念、すなわちローカル微分プライバシに焦点を当てる。 摂動データから特徴やラベルを近似する再構成手法を開発した。
  論文  参考訳（メタデータ） (2023-09-15T17:35:51Z)
• 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)
• Graph Learning Across Data Silos [10.448384704100684]
  本稿では,スムーズなグラフ信号からグラフトポロジを推定する問題を考える。 データは分散クライアントにあり、プライバシー上の懸念などの要因により、ローカルクライアントを去ることは禁じられている。 本稿では,各ローカルクライアントに対してパーソナライズされたグラフと,全クライアントに対して単一のコンセンサスグラフを共同で学習する,自動重み付き多重グラフ学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-17T02:14:57Z)
• GAP: Differentially Private Graph Neural Networks with Aggregation Perturbation [19.247325210343035]
  グラフニューラルネットワーク(GNN)は、ノード表現を学習するグラフデータ用に設計された強力なモデルである。 近年の研究では、グラフデータが機密情報を含む場合、GNNは重大なプライバシー上の懸念を生じさせることが示されている。 我々は,ノードとエッジのプライバシを保護する,差分的にプライベートなGNNであるGAPを提案する。
  論文  参考訳（メタデータ） (2022-03-02T08:58:07Z)
• Personalization Improves Privacy-Accuracy Tradeoffs in Federated Optimization [57.98426940386627]
  局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。 合成および実世界のデータセットに関する実験により理論的結果について述べる。
  論文  参考訳（メタデータ） (2022-02-10T20:44:44Z)
• Gromov-Wasserstein Discrepancy with Local Differential Privacy for Distributed Structural Graphs [7.4398547397969494]
  本稿では,グラフニューラルネットワークから学習したノード埋め込みのGW差分を分析するためのプライバシー保護フレームワークを提案する。 我々の実験は,$varilon$-LDPアルゴリズムによって保証される強力なプライバシー保護により,提案フレームワークがグラフ学習におけるプライバシを保存するだけでなく,GW距離下でのノイズ構造指標も提示することを示した。
  論文  参考訳（メタデータ） (2022-02-01T23:32:33Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)
• PGLP: Customizable and Rigorous Location Privacy through Policy Graph [68.3736286350014]
  我々はPGLPと呼ばれる新しい位置プライバシーの概念を提案し、カスタマイズ可能で厳格なプライバシー保証を備えたプライベートロケーションをリリースするためのリッチなインターフェースを提供する。 具体的には,ユーザの位置プライバシー要件を,表現的かつカスタマイズ可能なテキスト配置ポリシーグラフを用いて形式化する。 第3に、位置露光の検出、ポリシーグラフの修復、およびカスタマイズ可能な厳格な位置プライバシーを備えたプライベートな軌跡リリースをパイプライン化する、プライベートな位置トレースリリースフレームワークを設計する。
  論文  参考訳（メタデータ） (2020-05-04T04:25:59Z)

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。