.png){kind=icon}
.png){kind=icon}
返回
HPGA: An efficient hierarchical algorithm for personalized graph data anonymization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cose.2026.105093.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图数据因其丰富的结构和语义信息已成为关键资源。匿名化对于防止图数据共享或发布过程中的节点再识别至关重要。不同用户具有不同的隐私需求，这推动了个性化匿名化的研究。在实际应用中，多个数据分析师可能需要对同一图数据要求不同级别的隐私保护，需要为不同的隐私需求重新生成匿名图。现有的个性化匿名化方法在支持多样化和场景特定的需求时，计算开销较高。为解决此低效问题，我们提出了一个个性化的k²-匿名模型，以保护节点度和属性信息。然后我们设计了层次化个性化图匿名化（HPGA）算法，以高效地在不同隐私要求下生成多场景匿名图。HPGA构建了可重用的层次结构，并集成了一个高效的隐私需求匹配机制进行匿名化。它采用边修改和属性泛化策略来生成匿名图。在真实数据集上的实验结果表明，与现有方法相比，HPGA显著减少了99%的计算时间。此外，HPGA保持了良好的数据效用。