[논문 리뷰] PrivGraph: Differentially Private Graph Data Publication by Exploiting Community Information

Quan Yuan, Zhikun Zhang외 4명|arXiv (Cornell University)|2023. 04. 05.

Privacy-Preserving Technologies in Data인용 수 6

한 줄 요약

PrivGraph는 소음을 줄이고 그래프 무결성을 유지하기 위해 커뮤니티 구조를 활용하는 차별적(private) 그래프 합성 방법이다. 그래프를 커뮤니티로 분할하고 내부 및 외부 커뮤니티 간 간선에 대해 별도의 노이즈 펌핑과 복원을 적용함으로써, 이전 방법들에 비해 훨씬 낮은 오차를 달성한다. 프라이버시 예산 1에서 페이스북 데이터셋에서 모듈라리티의 상대 오차가 51.3% 낮아졌다.

ABSTRACT

Graph data is used in a wide range of applications, while analyzing graph data without protection is prone to privacy breach risks. To mitigate the privacy risks, we resort to the standard technique of differential privacy to publish a synthetic graph. However, existing differentially private graph synthesis approaches either introduce excessive noise by directly perturbing the adjacency matrix, or suffer significant information loss during the graph encoding process. In this paper, we propose an effective graph synthesis algorithm PrivGraph by exploiting the community information. Concretely, PrivGraph differentially privately partitions the private graph into communities, extracts intra-community and inter-community information, and reconstructs the graph from the extracted graph information. We validate the effectiveness of PrivGraph on six real-world graph datasets and seven commonly used graph metrics.

연구 동기 및 목표

• 기존의 차별적(private) 그래프 합성 방법이 과도한 노이즈를 유발하거나 인코딩 과정에서 정보 손실을 겪는 데서 비롯되는 한계를 해결하기 위해.
• 공개된 합성 그래프에서 프라이버시 보호와 구조적 무결성 간의 트레이드오프를 향상시키기 위해.
• 엄격한 차별적(private) 프라이버시 보장을 충족시키면서도, 특히 커뮤니티 수준의 패턴을 유지하는 방법을 개발하기 위해.
• 일반적인 기초 그래프 분석을 가능하게 하기 위해 의미적으로 정확한 합성 그래프를 공개하기 위해.

제안 방법

• PrivGraph는 두 단계의 차별적(private) 커뮤니티 탐지 메커니즘을 사용한다: 커뮤니티 초기화 후, DP 준수를 보장하기 위한 커뮤니티 조정 단계.
• 그래프를 커뮤니티로 분할하고, 각 간선의 구조적 특성에 따라 내부 및 외부 커뮤니티 간 간선에 대해 별도의 노이즈 펌핑 전략을 적용한다.
• 개별 간선이나 인접행렬 요소에 대한 노이즈 펌핑보다는 커뮤니티 수준의 정보(내부 및 외부 간선 수)를 추출하고 펌핑하여 노이즈 민감도를 낮춘다.
• 편향된 커뮤니티 수준 통계에서 합성 그래프를 복원함으로써 전반적인 구조를 유지하면서 왜곡을 최소화한다.
• 데이터 무결성을 강화하고 복원 정확도를 향상시키기 위해 후처리 단계를 적용한다.
• 이 방법은 간선 수준의 차별적(private) 프라이버시를 만족하도록 설계되어, 어떤 단일 간선의 존재 또는 부재가 출력에 미치는 영향을 제한한다.

실험 결과

연구 질문

• RQ1 커뮤니티 구조를 활용하여 차별적(private) 그래프 합성에서 노이즈를 줄이고 구조적 무결성을 유지할 수 있는가?
• RQ2 내부 및 외부 커뮤니티 간 간선 처리를 분리함으로써, 인접행렬을 균일하게 펌핑하는 것에 비해 복원 정확도가 어떻게 향상되는가?
• RQ3 동일한 프라이버시 예산 하에서 PrivGraph가 기존 최신 기술(SOTA) 방법보다 키 포인트 그래프 지표를 얼마나 잘 유지할 수 있는가?
• RQ4 일반적으로 DP 하에서 유지하기 어려운 소규모 또는 희소 커뮤니티에 대해 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 프라이버시, 정확도, 계산 비용 간의 트레이드오프를 최적화하기 위한 하이퍼파rameter 설정은 무엇인가?

주요 결과

• 프라이버시 예산 1에서 페이스북 데이터셋에서 PrivHRG에 비해 모듈라리티의 상대 오차가 51.3% 낮아졌다.
• PrivGraph는 여섯 개인 실세계 그래프 데이터셋에서 일곱 가지 일반적으로 사용되는 그래프 지표에서 모든 베이스라인 방법을 능가했다.
• 특정 작업(예: 차수 분포 또는 부분그래프 수세기)에 최적화된 맞춤형 프라이버시 알고리즘과 비교해도 경쟁력 있는 성능을 보였다.
• 제거 실험(ablation study) 결과, 두 단계 커뮤니티 분할 및 내부/외부 간선 별도 처리가 성능에 핵심적이며, 이를 비활성화할 경우 심각한 성능 저하가 발생함을 확인했다.
• 소규모 커뮤니티에서도 높은 성능을 유지하여, 희소한 구조에 대한 강건성을 보였다.
• 실험 분석을 통해 하이퍼파rameter 조정(특히 커뮤니티 탐지 및 노이즈 스케일)이 정확도에 상당한 영향을 미치며, 실용적 구현을 위한 명확한 지침을 제공했다.