論文の概要: EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy

• arxiv url: http://arxiv.org/abs/2607.08659v1
• Date: Thu, 09 Jul 2026 16:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.595454
• Title: EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy
• Title（参考訳）: EdgeRefine: エッジ差分プライバシの下でのJaccardサンプリングによるグラフのプライバシとユーザビリティのバランス
• Authors: Wenxiu Ding, Muzhi Liu, Zheng Yan, Mingjun Wang, Yifan Zhao, Qiao Liu,
• Abstract要約: グラフニューラルネットワーク(GNN)は,グラフ構造化データから学ぶ上で大きな成功を収めている。 しかし、グラフ構造が機密リンク情報を漏洩させる可能性があるため、プライバシに敏感な領域での使用は依然として困難である。 適応的なエッジリファインメントにより、このトレードオフを改善するための、ローカルな差分プライバシーフレームワークであるEdgeRefineを提案する。
• 参考スコア（独自算出の注目度）: 8.888244401762996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have shown considerable success in learning from graph-structured data, but their use in privacy-sensitive areas remains difficult because graph structure can leak sensitive link information. To satisfy edge-level differential privacy, a common approach is to inject noise into all elements of the graph's adjacency matrix, thereby obfuscating the existence of any single edge. However, stronger privacy requires more noise, and excessive noise reduces utility, making the privacy-utility balance a major barrier to practical privacy-preserving graph learning. To address this issue, we propose EdgeRefine, a local differential privacy framework that improves this trade-off through adaptive edge refinement. EdgeRefine first estimates edge-existence probabilities using Jaccard similarity and ranks edges for noisy edge removal. To ensure the sparsity and reliability of the final graph, it uses the privacy budget $ε$ to determine the ratio of true to false edges, samples them separately based on this probability ranking, and controls the total number of edges with a separate sampling rate $k$. Extensive experiments show that EdgeRefine achieves accuracy comparable to the noise-free baseline and substantially outperforms other privacy-preserving methods across datasets and GNN architectures. Under privacy budget $ε= 2.5$, EdgeRefine improves node classification accuracy over state-of-the-art baselines by 17.8\% on ACM under GAT and 19.7\% on Cora under GCN. In graph classification, it achieves an average accuracy degradation of around 5\% compared to the noise-free baseline. Under graph reconstruction attacks, EdgeRefine maintains relative absolute error levels above 1 across all privacy budgets, averaging 1.962 on Cora and 1.472 on AMAP, indicating strong resilience against privacy leakage.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データから学ぶことにかなりの成功を収めているが、グラフ構造が機密リンク情報を漏洩する可能性があるため、プライバシーに敏感な領域での使用は依然として困難である。 エッジレベルの差分プライバシーを満たすために、一般的なアプローチは、グラフの隣接行列のすべての要素にノイズを注入することで、任意の単一エッジの存在を邪魔する。 しかし、より強力なプライバシーはより多くのノイズを必要とし、過剰なノイズは実用性を低下させ、プライバシーユーティリティーは実用的なプライバシー保護グラフ学習にとって大きな障壁となる。 この問題に対処するために、我々は、適応的なエッジリファインメントにより、このトレードオフを改善するローカル差分プライバシフレームワークであるEdgeRefineを提案する。 EdgeRefineはまず、Jaccardの類似性とノイズの多いエッジ除去のためのランクエッジを用いて、エッジ存在確率を推定する。 最終的なグラフの幅と信頼性を確保するため、プライバシ予算の$ε$を使用して、偽エッジに対する真の割合を決定し、この確率ランキングに基づいてそれらを別々にサンプリングし、別々のサンプリングレート$k$でエッジの総数を制御する。 大規模な実験により、EdgeRefineはノイズフリーベースラインに匹敵する精度を達成し、データセットやGNNアーキテクチャ全体にわたって、他のプライバシ保護メソッドを大幅に上回っていることが示されている。 プライバシ予算$ε=2.5$では、EdgeRefineは、最先端のベースラインに対するノード分類の精度を、GATのACMでは17.8\%、GCNのColaでは19.7\%向上している。 グラフ分類では、ノイズのないベースラインと比較して平均精度が約5\%低下する。 グラフ再構築攻撃の下では、EdgeRefineはすべてのプライバシー予算において1以上の相対的な絶対エラーレベルを維持しており、Colaでは1.962、AMAPでは1.472となっている。

関連論文リスト

• Provably Communication-Efficient and Privacy-Preserving Federated Graph Neural Networks [18.008132027250777]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータ上で強力なパフォーマンスを達成するが、現実のグラフは、プライバシやポリシの制約によって生データを共有できない組織に分散されることが多い。 本稿では,通信効率とプライバシ保護を両立したGNNフレームワークであるCE-FedGNNを提案する。 銀行間対マネーロンダリングベンチマークと引用ネットワークの実験により、CE-FedGNNは、通信を著しく低減し、プライバシー保護ノイズ下で堅牢性を維持するとともに、強力な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-05-25T18:10:20Z)
• DPSR: Differentially Private Sparse Reconstruction via Multi-Stage Denoising for Recommender Systems [5.237172334460829]
  ディファレンシャルプライバシは、レコメンデーションシステムでユーザーデータを保護するためのゴールドスタンダードとして登場した。 既存のプライバシー保護メカニズムは、プライバシー予算が厳しくなるにつれ、根本的な課題に直面している。 DPSRは,新しい3段階のデノベーションフレームワークである。
  論文  参考訳（メタデータ） (2025-12-22T00:43:29Z)
• Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
  エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。 具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
  論文  参考訳（メタデータ） (2025-10-08T15:30:27Z)
• ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
  グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。 GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。 本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
  論文  参考訳（メタデータ） (2024-03-14T08:31:39Z)
• 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)
• 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)
• Degree-Preserving Randomized Response for Graph Neural Networks under Local Differential Privacy [8.12606646175019]
  本稿では,DPRR (Degree-Preserving Randomized Response) と呼ばれる新しいLDPアルゴリズムを提案する。 我々のDPRRは、各ユーザの次数を保存するので、エッジ LDP を提供しながらグラフ構造を保ちます。 我々は,GNNのタスクとしてのグラフ分類に注目し,3つのソーシャルグラフデータセットを用いてDPRRを評価する。
  論文  参考訳（メタデータ） (2022-02-21T13:35:03Z)
• Do Not Let Privacy Overbill Utility: Gradient Embedding Perturbation for Private Learning [74.73901662374921]
  差分プライベートモデルは、モデルが多数のトレーニング可能なパラメータを含む場合、ユーティリティを劇的に劣化させる。 偏微分プライベート深層モデルの精度向上のためのアルゴリズムemphGradient Embedding Perturbation (GEP)を提案する。
  論文  参考訳（メタデータ） (2021-02-25T04:29:58Z)

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。