[논문 리뷰] Unraveling Privacy Risks of Individual Fairness in Graph Neural Networks

He Zhang, Xingliang Yuan외 1명|arXiv (Cornell University)|2023. 01. 30.

Advanced Memory and Neural Computing인용 수 12

한 줄 요약

이 논문은 GNN에서 개별 공정성을 증가시키는 것이 엣지 프라이버시에 어떤 영향을 미치는지 조사하고, 성능, 공정성, 프라이버시의 균형을 맞추기 위해 공정성 인식 재가중과 프라이버시 인식 교란을 결합한 재학습 프레임워크 PPFR을 제안한다.

ABSTRACT

Graph neural networks (GNNs) have gained significant attraction due to their expansive real-world applications. To build trustworthy GNNs, two aspects - fairness and privacy - have emerged as critical considerations. Previous studies have separately examined the fairness and privacy aspects of GNNs, revealing their trade-off with GNN performance. Yet, the interplay between these two aspects remains unexplored. In this paper, we pioneer the exploration of the interaction between the privacy risks of edge leakage and the individual fairness of a GNN. Our theoretical analysis unravels that edge privacy risks unfortunately escalate when the nodes' individual fairness improves. Such an issue hinders the accomplishment of privacy and fairness of GNNs at the same time. To balance fairness and privacy, we carefully introduce fairness-aware loss reweighting based on influence function and privacy-aware graph structure perturbation modules within a fine-tuning mechanism. Experimental results underscore the effectiveness of our approach in achieving GNN fairness with limited performance compromise and controlled privacy risks. This work contributes to the comprehensively developing trustworthy GNNs by simultaneously addressing both fairness and privacy aspects.

연구 동기 및 목표

• GNN의 공정성과 실제 그래프 응용에서 두 가지 중요한 신뢰 요소인 엣지 프라이버시 간 상호작용 연구를 동기로 삼는다.
• GNN에서 개인적 공정성 향상이 엣지 프라이버시 위험을 증가시킬 수 있음을 경험적으로 입증한다.
• 공정성과 프라이버시의Trade-offs를 영향 함수(influence functions)와 피어슨 상관계수를 사용해 Quantify한다.
• 한정된 성능 비용과 제한된 프라이시 누출을 달성하는 재학습 프레임워크를 제안한다.

제안 방법

• 학습 샘플 가중치가 모델 매개변수와 목표 지표에 미치는 영향을 근사하기 위해 영향 함수(influence functions)를 사용한다.
• f_bias(개인적 공정성)와 f_risk(프라이버시 위험)를 정의하고 계산하여 공유 매개변수 공간에서의 상호작용을 분석한다.
• f_bias와 f_risk에 대한 학습 샘플 영향의 피어슨 상관을 통해 공정성과 프라이버시 간의 상호작용을 정량화한다.
• 엣지 누출 위험을 감소시키기 위해 프라이버시 인식 교란(이질성 엣지 추가)을 도입한다.
• 훈련 샘플 가중치를 조정하기 위해 이차제한 선형 계획(QCLP)을 통해 공정성 인식 재가중을 개발한다.
• 가중 손실을 가진 교란 그래프에서 GNN을 재학습시켜 성능, 공정성, 프라이버시의 균형을 맞춘다.

실험 결과

연구 질문

• RQ1 노드 단위의 개별 공정성을 증가시키는 것이 GNN에서 엣지 프라이버시 위험에 어떠한 영향을 미치는가?
• RQ2 영향 함수와 상관 계수를 사용해 공정성과 프라이버시 간의 상호작용을 정량화할 수 있는가?
• RQ3 한정된 성능 손실과 제한된 프라이버시 누출을 가진 공정성 향상을 위한 재학습 절차를 설계할 수 있는가?

주요 결과

• 연구 대상 데이터셋에서 GNN의 개인적 공정성을 높일수록 엣지 프라이버시 위험(엣지 누출)이 증가한다.
• 영향 함수와 피어슨 상관의 결합이 공정성과 프라이버시의 상호작용을 정량적으로 측정한다.
• 공정성 인식 재가중과 프라이버시 인식 그래프 교란을 결합한 PPFR 프레임워크는 한정된 성능 손실과 제한된 프라이버시 위험으로 공정성을 향상시킬 수 있다.
• 공정성 인식 재가중은 가중치의 크기와 유틸리티 손실을 모두 제약하는 QCLP를 통해 얻어진다.
• 프라이버시 인식 교란은 그래프 구조를 교란하여 누출을 줄이되 정확도를 심하게 해치지 않는다.