抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
差分プライベートGNN(Graph Neural Networks)は,ユーザプライバシーを強く保護しながら,グラフデータ上の様々なタスクにおいて高精度を提供するために最近研究されている。特に,最近の研究では,信頼された第三者のない強力なプライバシー概念であるLDP(局所差分プライバシー)を用いて,ノードIDおよびエッジとともに特徴ベクトルを含む属性グラフにおける各ユーザの特徴ベクトルを保護するためのアルゴリズムを提案した。しかしながら,このアルゴリズムは,ソーシャルグラフにおけるエッジ(友人関係)を保護しないため,ノードIDとエッジのみを含む属性無しグラフにおけるユーザプライバシーを保護することができない。属性のないグラフにおいて,強いプライバシーを高精度でどのように提供するかは未解決のままである。本論文では,GNNにおけるエッジに対してLDPを提供するために,DPRR(次数保存型ランダマイズド応答)と呼ばれる新しいLDPアルゴリズムを提案した。筆者らのDPRRは,エッジLDPを提供しながら,各ユーザの次数,従ってグラフ構造を保存する。技術的には,DPRRはWarnerのRR(ランダム化応答)と戦略的エッジサンプリングを用い,各ユーザのサンプリング確率は,エッジLDPの下で次数情報を保存するためにLaplacianメカニズムを用いて自動的にチューニングされる。また,WarnerのRRとLaplacian機構の両方の雑音を小さくするためのプライバシー予算割当法を提案した。GNNのタスクとしてグラフ分類に焦点を合わせ,3つのソーシャルグラフデータセットを用いてDPRRを評価した。実験結果は,DPRRが3つのベースラインを著しく上回り,妥当なプライバシー予算,例えばイプシロン=1ですべてのデータセットにおいて非優先アルゴリズムに近い精度を提供することを示した。最後に,DPRRへのデータ中毒攻撃と攻撃に対する防御を導入した。3つのソーシャルグラフデータセットを用いてそれらを評価し,実験結果を論じた。【JST機械翻訳】