Integrating adaptive differential privacy in graph convolution network for graph classification tasks

doi:10.1142/S1793962326500108

Integrating adaptive differential privacy in graph convolution network for graph classification tasks

2026-03-01

0

PRE

AI

DOI：10.1142/S1793962326500108

原文链接

原文求助

摘要

En 中文

图神经网络（GNNs）在图分类任务中已展现出强大的实用价值。然而，图数据通常包含敏感信息，使得隐私保护成为迫切的实际需求。传统隐私保护技术存在关键局限性：匿名化易通过辅助知识被重新识别，安全多方计算通信开销高、推理速度慢且难以扩展至大规模图，同态加密引入显著延迟、无法满足实时需求，可信执行环境依赖特定硬件且通用性有限。相比之下，差分隐私（DP）提供可证明的安全保障，不依赖辅助信息，且无硬件依赖，使其成为图分类场景下更实用的隐私保护技术。为解决图分类中隐私保护与分类准确率的平衡挑战，本文将自适应差分隐私融入图卷积网络（DPANG-GCN）以提出隐私增强模型。其核心思想是在模型训练过程中引入满足差分隐私约束的梯度噪声，并动态优化各迭代中的噪声幅度。通过根据损失变化趋势调整噪声水平，确保模型参数更新方向有利于最小化损失函数，从而缓解因噪声过大导致的性能下降。我们在四个经典图分类数据集上进行了实验，验证了所提方法的有效性。

Keyword:

Differential Privacy

graph convolutional network

graph classification

zero-concentrated differential privacy

Integrating adaptive differential privacy in graph convolution network for graph classification tasks

摘要

期刊

机构

引用论文