Differentially Private Graph Neural Network with Importance-Grained Noise Adaption

要約

差分プライバシーを備えたグラフ ニューラル ネットワーク (GNN) は、ノードが個人情報や機密情報を表す場合にグラフのプライバシーを保護するために提案されています。
ただし、既存の方法では、重要性の異なるノードが多様なプライバシー要求を生成する可能性があることを無視しており、これにより一部のノードが過剰に保護され、モデルの有用性が低下する可能性があります。
この論文では、ノードにはプライベートに保つ必要があるが GNN のトレーニングには不可欠な個人データが含まれる、重要度に応じたプライバシーの問題について研究します。
我々は、適応差分プライバシーに基づいてノード情報を保護するプライバシー保証を備えた、ノードの重要度に応じたプライバシー保護 GNN アルゴリズムである NAP-GNN を提案します。
まず、近隣および中心性を認識して未知のノードの重要性を推測する、トポロジーベースのノード重要度推定 (TNIE) 方法を提案します。
第二に、ノード重要度粒度から近傍集約を混乱させる適応型プライベート集約方法が提案される。
第三に、ノードごとのタスクの多層畳み込みを介した適応残差接続モードで摂動された集合体に関するグラフ学習アルゴリズムをプライベートにトレーニングすることを提案します。
理論的な分析により、NAP-GNN はプライバシーの保証を満たしていることが示されています。
現実世界のグラフ データセットに対する実証実験では、NAP-GNN がプライバシーと精度の間でより優れたトレードオフを実現していることが示されています。

要約(オリジナル)

Graph Neural Networks (GNNs) with differential privacy have been proposed to preserve graph privacy when nodes represent personal and sensitive information. However, the existing methods ignore that nodes with different importance may yield diverse privacy demands, which may lead to over-protect some nodes and decrease model utility. In this paper, we study the problem of importance-grained privacy, where nodes contain personal data that need to be kept private but are critical for training a GNN. We propose NAP-GNN, a node-importance-grained privacy-preserving GNN algorithm with privacy guarantees based on adaptive differential privacy to safeguard node information. First, we propose a Topology-based Node Importance Estimation (TNIE) method to infer unknown node importance with neighborhood and centrality awareness. Second, an adaptive private aggregation method is proposed to perturb neighborhood aggregation from node-importance-grain. Third, we propose to privately train a graph learning algorithm on perturbed aggregations in adaptive residual connection mode over multi-layers convolution for node-wise tasks. Theoretically analysis shows that NAP-GNN satisfies privacy guarantees. Empirical experiments over real-world graph datasets show that NAP-GNN achieves a better trade-off between privacy and accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google