LPGNet

라벨이 있는 그래프 구조 데이터에 대한 분류 작업은 사회적 추천에서 금융 모델링에 이르기까지 많은 중요한 응용 프로그램을 가지고 있습니다. 심층 신경망은 비슷한 특징을 가진 노드에 동일한 레이블을 부여해야 하는 그래프의 노드 분류에 점점 더 많이 사용되고 있습니다. 그래프 합성곱 신경망(GCN)은 이 작업에서 잘 수행되는 광범위하게 연구된 신경망 아키텍처 중 하나입니다. 그러나 GCN에 대한 강력한 링크 탈취 공격은 최근에 훈련된 모델에 대한 블랙박스 접근이 있더라도 훈련 그래프에 어떤 링크(또는 엣지)가 존재하는지를 추론하는 것이 가능하다는 것을 보여주었습니다. 본 논문에서는 프라이버시 민감 엣지가 있는 그래프에서 훈련하기 위한 새로운 신경망 아키텍처인 LPGNet을 제시합니다. LPGNet은 훈련 중 그래프 엣지 구조를 사용하는 방법에 대한 새로운 설계를 사용하여 엣지에 대한 차등 프라이버시(DP) 보장을 제공합니다. 우리는 경험적으로 LPGNet 모델이 프라이버시와 유틸리티 간의 균형을 잘 이룬다는 것을 보여줍니다: 기존의 링크 탈취 공격에 대한 내구성이 좋아진 반면 엣지 정보를 전혀 사용하지 않는 "트리비얼하게" 개인 정보 보호되는 아키텍처(예: 일반 MLP)보다 더 나은 유틸리티를 제공할 수 있습니다. 또한 LPGNet은 대부분의 평가된 데이터 세트에서 기존의 GCNs에 차등 프라이버시를 통합하기 위한 최첨단 메커니즘인 DPGCN보다 일관되게 더 나은 프라이버시-유틸리티 트레이드오프를 제공합니다.