具有重要性粒度噪声适应性的差分隐私图神经网络

《IEEE Transactions on Dependable and Secure Computing》：Differentially Private Graph Neural Network With Importance-Grained Noise Adaption

　　隐私敏感图数据学习中，针对不同重要程度节点的差异化隐私保护需求，提出NAP-GNN算法。通过拓扑感知的节点重要性评估方法(TNIE)实现未知节点重要性推断，结合自适应差分隐私的聚合机制，设计多层卷积下的自适应残差连接进行隐私保护训练。理论证明其隐私安全性，实验表明在五个真实图数据集上实现隐私与精度的更好平衡。

　　

摘要：

为了在节点表示个人敏感信息时保护图的隐私，提出了结合差分隐私的图神经网络（GNN）。然而，现有方法忽略了不同重要性的节点可能对隐私保护有不同的需求，这可能导致某些节点被过度保护，从而降低模型的实用性。在本文中，我们研究了基于节点重要性的隐私保护问题，即某些节点包含需要保密的个人数据，但对训练GNN至关重要。我们提出了NAP-GNN，这是一种基于节点重要性进行隐私保护的GNN算法，它利用自适应差分隐私机制来保护节点信息。首先，我们提出了一种基于拓扑的节点重要性估计（TNIE）方法，该方法能够结合邻域信息和中心性来推断未知节点的重要性；其次，我们提出了一种自适应的隐私聚合方法，以改变基于节点重要性的聚合方式；最后，我们提出在多层卷积结构的自适应残差连接模式下，对经过扰动的聚合数据进行私有化训练，以完成针对单个节点的任务。理论分析表明NAP-GNN能够有效保证隐私性。通过对五个真实世界图数据集进行的实证实验，我们发现NAP-GNN在隐私保护和准确性之间实现了更好的平衡。