Unveiling the Role of Message Passing in Dual-Privacy Preservation on GNNs

要約

グラフ ニューラル ネットワーク (GNN) は、ソーシャル ネットワークなどのグラフ上の表現を学習するための強力なツールです。
ただし、プライバシー推論攻撃に対する脆弱性により、特にリスクの高いドメインでは実用性が制限されます。
この問題に対処するために、ノードおよび/またはリンクのプライバシーの保護に焦点を当てた、プライバシー保護 GNN が提案されています。
この研究では一歩下がって、GNN がプライバシー漏洩にどのように寄与しているかを調査します。
理論的な分析とシミュレーションを通じて、GNN によるプライバシー漏洩を \textit{伝播} および \textit{増幅} することを可能にするコア コンポーネントとして、構造的バイアスの下でのメッセージ パッシングを特定しました。
これらの発見に基づいて、私たちは、デュアル プライバシー保護と呼ばれる、ノードとリンクの両方のプライバシーを効果的に保護する原則に基づいたプライバシー保護 GNN フレームワークを提案します。
このフレームワークは、ノードの埋め込みから機密情報を削除する機密情報難読化モジュール、構造的バイアスを動的に修正する動的構造バイアス除去モジュール、およびプライバシーとユーティリティのトレードオフを最適化する敵対的学習モジュールの 3 つの主要なモジュールで構成されます。
4 つのベンチマーク データセットに関する実験結果は、ノード分類などの下流タスクの高い有用性を維持しながら、ノードとリンクの両方のプライバシーを保護するという提案されたモデルの有効性を検証します。

要約(オリジナル)

Graph Neural Networks (GNNs) are powerful tools for learning representations on graphs, such as social networks. However, their vulnerability to privacy inference attacks restricts their practicality, especially in high-stake domains. To address this issue, privacy-preserving GNNs have been proposed, focusing on preserving node and/or link privacy. This work takes a step back and investigates how GNNs contribute to privacy leakage. Through theoretical analysis and simulations, we identify message passing under structural bias as the core component that allows GNNs to \textit{propagate} and \textit{amplify} privacy leakage. Building upon these findings, we propose a principled privacy-preserving GNN framework that effectively safeguards both node and link privacy, referred to as dual-privacy preservation. The framework comprises three major modules: a Sensitive Information Obfuscation Module that removes sensitive information from node embeddings, a Dynamic Structure Debiasing Module that dynamically corrects the structural bias, and an Adversarial Learning Module that optimizes the privacy-utility trade-off. Experimental results on four benchmark datasets validate the effectiveness of the proposed model in protecting both node and link privacy while preserving high utility for downstream tasks, such as node classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google