論文の概要: Where Privacy Belongs: Placement Diagnosis and Certified Selection for Private Counterfactual Explanations on Graphs

• arxiv url: http://arxiv.org/abs/2609.37667v1
• Date: Tue, 29 Sep 2026 14:23:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.620155
• Title: Where Privacy Belongs: Placement Diagnosis and Certified Selection for Private Counterfactual Explanations on Graphs
• Title（参考訳）: プライバシが長引く場所:グラフ上の私的対実的説明のための配置診断と認定選択
• Abstract要約: プライバシは、認証による最適化を、コンストラクションによる認証に置き換える。 グローバルな感度の妥当性の高いクリップされたユーティリティは、完全なリリースオブジェクトに対して純粋な$varepsilon$-DPを与える。 主要なコストは、公開開示における測定可能な単調な価格である。
• 参考スコア（独自算出の注目度）: 0.7906608953906891
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual explanations for graph neural networks (GNNs) find the minimal intervention that flips a node's prediction--but computing one requires reading sensitive graph structure, and releasing it discloses that structure. Both existing placements fail. Privatizing the graph before explaining corrupts the target on exactly the borderline nodes needing recourse, manufacturing spurious flips that flip the privatized graph but not the true one. Explaining on the clean graph and perturbing the released explanation resists certification: re-auditing the standard heuristic shows an implied full-release budget of 573--753 on Cora and 256 on CiteSeer--orders of magnitude beyond its advertised budget--with worst-case single-entry leakage at AUC 1.0. We propose PrivCFS, which replaces certification-by-optimization with certification-by-construction: counterfactual selection over a fixed, data-independent candidate universe--edge interventions from a public prior graph, feature interventions from a public schema--whose no-op semantics give neighboring graphs the same output support. A validity-gated, clipped utility of global sensitivity $Δu \le 1$ released through the exponential mechanism gives pure $\varepsilon$-DP for the complete released object, composable over queries--to our knowledge the first such guarantee on graphs. Privacy noise is the cheapest stage: at $\varepsilon$=8 the release retains 94--97% of its support-restricted non-private optimum on the recourse population and 83--95% on the general one; the optimal edge-inference audit attains AUC 0.50 on average and 0.59 worst-pair, versus the heuristic's worst entry 1.0; and transfers to a 15K-node graph at 0.96 valid rate. The dominant cost is a measurable, monotone price in public disclosure, readable off one table before any budget is spent--turning explanation privacy from an accounting risk into a purchasable decision.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の対実的な説明は、ノードの予測を反転させる最小限の介入を見つける。 既存の配置はどちらも失敗する。 説明する前にグラフをプライバタイズすることは、リコースを必要とする境界線ノードのターゲットを正確に破損させ、民営化グラフを反転させる突発的なフリップを製造するが、真のフリップではない。 標準的なヒューリスティックを再調査すると、CiteSeerでは563-753、CiteSeerでは256の完全なリリース予算が示される。 そこで我々は,PrivCFSを提案する。このPrivCFSは,認証の最適化をコンストラクションに置き換えるもので,固定されたデータ非依存の候補宇宙に対する反ファクト選択,公開事前グラフからのエッジ介入,パブリックスキーマからのフィーチャ介入,非オプトセマンティクスが近隣のグラフに同じ出力サポートを与える。 指数関数機構を通じてリリースされたグローバルな感度の有効性$Δu \le 1$は、完全なリリース対象に対して純粋な$\varepsilon$-DPを与え、クエリよりも構成可能であり、私たちの知る限り、グラフ上の最初の保証は、最も安い段階である:$\varepsilon$=8では、リリースは、リコース人口に対するサポート制限付き非プライベートな最適化の94-97%、一般大衆に対する83-95%を保持し、最適なエッジ推論監査は平均0.59の最悪の値でAUC 0.50を、ヒューリスティックの最悪のエントリに対して1.0で15Kノードグラフに転送する。 主要なコストは、公開開示における測定可能な単調な価格であり、予算が費やされる前に1つのテーブルから読み取ることができる。

関連論文リスト

• Reference-Tail Trust:Certified Probability Floors for Learned Updates Inside a Deployed Network [0.0]
  グラフニューラルネットワーク(GNN)は、すでにデプロイに信頼されている予測を放棄することなく、改善されたメッセージパッシングを活用する必要がある。 我々は、凍結したGNN内で学習した更新を認め、実際に提供された予測を認証するフレームワークであるReference-Tail Trust (RTT)を紹介した。
  論文  参考訳（メタデータ） (2026-09-28T11:09:29Z)
• Bayesian Best-Arm Identification with Abstention: A Polynomial-to-Exponential Phase Transition [51.253617466579335]
  本研究では,学習者が端末の推薦を控えることができるベイジアン固定予算のベストアーム識別問題について検討する。 本研究は,非検出誤りの確率を解析し,吸収を伴わない準最適腕を推奨するリスクについて考察する。
  論文  参考訳（メタデータ） (2026-06-28T05:07:27Z)
• Statistical Guarantees for Reasoning Probes on Looped Boolean Circuits [10.292476979020522]
  ループ型推論モデルにおける推論プローブの統計的挙動について検討した。 推論プローブは、おそらくグラフ全体をカバーすることなく、内部ノードのサンプリングされたサブセットにアクセスする。 グラフ畳み込みネットワーク(GCN)ベースの仮説クラスによって推論プローブがパラメータ化され、$N$ノードを問うと、最悪の一般化誤差が最適値に達することを示す。
  論文  参考訳（メタデータ） (2026-02-03T19:39:53Z)
• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• 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)
• 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)
• Learning with User-Level Privacy [61.62978104304273]
  ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。 個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。 プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
  論文  参考訳（メタデータ） (2021-02-23T18:25:13Z)
• Towards practical differentially private causal graph discovery [74.7791110594082]
  因果グラフ発見は、純粋な観測データから因果関係グラフを発見する過程を指す。 そこで本稿では,Priv-PCによる個人用因果グラフ探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-15T18:30:41Z)

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。