[論文レビュー] PrivGraph: Differentially Private Graph Data Publication by Exploiting Community Information

Quan Yuan, Zhikun Zhang+4 more|arXiv (Cornell University)|Apr 5, 2023

Privacy-Preserving Technologies in Data被引用数 6

ひとこと要約

PrivGraphは、コミュニティ構造を活用してノイズを低減し、グラフの忠実度を保つ、微分プライバシーを満たすグラフ合成手法である。グラフをコミュニティに分割し、内部および外部のエッジに対して別々の摂動と再構築を適用することで、従来手法と比較して顕著に低い誤差を達成した。プライバシー予算1の条件下でFacebookデータセットにおいてモジュラリティの相対誤差が51.3%低減された。

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.

研究の動機と目的

• 既存の微分プライバシーを満たすグラフ合成手法が、過剰なノイズを導入するか、符号化過程で情報損失を被るという限界に対処すること。
• 公開された合成グラフにおけるプライバシー保護と構造的忠実度のトレードオフを改善すること。
• 特にコミュニティレベルのパターンを保持しつつ、きびしい微分プライバシーの保証を満たす手法を開発すること。
• 一般用途の下流グラフ解析を可能にするために、意味的に正確な合成グラフを公開すること。

提案手法

• PrivGraphは2段階の微分プライバシー準拠コミュニティ検出メカニズムを用いる：コミュニティの初期化と、DP準拠を保証するためのコミュニティ調整。
• グラフをコミュニティに分割し、構造的特徴に基づいて内部エッジと外部エッジに対して異なるノイズ摂動戦略を適用する。
• エッジごとまたは隣接行列の各セルに対して摂動するのと比較して、ノイズ感受性を低減するため、コミュニティレベルの情報を抽出・摂動する。
• 摂動されたコミュニティレベルの統計から合成グラフを再構築することで、グローバル構造を保持しつつ歪みを最小限に抑える。
• データ忠実度を強化し、再構築精度を向上させるために、後処理ステップを適用する。
• 本手法はエッジレベルの微分プライバシーを満たすように設計されており、任意の1つのエッジの有無が出力に与える影響を限定する。

実験結果

リサーチクエスチョン

• RQ1 コミュニティ構造を活用することで、微分プライバシーを満たすグラフ合成におけるノイズを低減しつつ、構造的忠実度を維持できるか？
• RQ2 隣接行列全体を一様に摂動するのと比較して、内部および外部エッジの処理を分離することで、再構築精度がどのように向上するか？
• RQ3 同じプライバシー予算下で、PrivGraphは既存のSOTA手法をどの程度上回るのか？
• RQ4 特にスパースな構造を示す小規模コミュニティにおいて、本手法はどのように性能を発揮するか？
• RQ5 プライバシー、精度、計算コストのトレードオフを最適化するためのハイパーパrameter設定は何か？

主な発見

• Facebookデータセットにおいて、プライバシー予算1の条件下で、PrivHRGと比較してモジュラリティの相対誤差が51.3%低減した。
• 7つの一般的に用いられるグラフ指標において、6つの実世界グラフデータセットで全ベースライン手法を上回った。
• 度数分布や部分グラフカウントといった特定タスクに最適化されたターゲットプライベートアルゴリズムと比較しても、競争力のある性能を示した。
• アブレーションスタディの結果、2段階のコミュニティ分割と、内部／外部エッジの別々の処理が性能に不可欠であり、無効化すると顕著な性能低下が生じた。
• 小規模コミュニティに対しても強固な性能を維持しており、スパース構造に対する耐性があることが示された。
• 実証的分析から、ハイパーパrameterチューニング（特にコミュニティ検出とノイズスケール）が精度に顕著な影響を与えることが判明し、実用的導入のための明確なガイドラインが提示された。