[논문 리뷰] Secure Deep Graph Generation with Link Differential Privacy

Carl Yang, Haonan Wang외 3명|arXiv (Cornell University)|2020. 05. 01.

Privacy-Preserving Technologies in Data참고 문헌 34인용 수 8

한 줄 요약

이 논문은 훈련 중 기울기 업데이트에 노이즈를 주입함으로써 링크 차등 프라이버시를 강제하고, 구조 인식 기반의 식별자를 통해 전반적인 그래프 구조를 유지하는 그래프를 위한 딥 생성 모델인 DPGGan을 제안한다. 실험 결과, DPGGan은 최소한의 유틸리티 손실로 강력한 프라이버시 보호를 달성하며, 다양한 프라이버시 예산 하에서 비공개 기반선 대비 구조 유사성과 링크 프라이버시에서 뛰어난 성능을 보였다.

ABSTRACT

Many data mining and analytical tasks rely on the abstraction of networks (graphs) to summarize relational structures among individuals (nodes). Since relational data are often sensitive, we aim to seek effective approaches to generate utility-preserved yet privacy-protected structured data. In this paper, we leverage the differential privacy (DP) framework to formulate and enforce rigorous privacy constraints on deep graph generation models, with a focus on edge-DP to guarantee individual link privacy. In particular, we enforce edge-DP by injecting proper noise to the gradients of a link reconstruction-based graph generation model, while ensuring data utility by improving structure learning with structure-oriented graph discrimination. Extensive experiments on two real-world network datasets show that our proposed DPGGAN model is able to generate graphs with effectively preserved global structure and rigorously protected individual link privacy.

연구 동기 및 목표

• 감정적 관계 데이터에 대해 엄격한 프라이버시 보장을 제공하지 못하는 그래프 생성 모델의 부족을 해결하기 위해.
• 후속 분석을 위한 유효성을 확보하기 위해 합성 그래프에서 전반적인 그래프 구조를 유지하기 위해.
• 구조적 정밀도를 희생시키지 않고 엣지 수준의 차등 프라이버시를 강제하는 딥 생성 모델을 개발하기 위해.
• 차등 프라이버시 기반 그래프 생성이 최소한의 유틸리티 저하로 가능하다는 것을 입증하기 위해.

제안 방법

• 링크 재구성 기반 그래프 생성 모델의 기울기에 캘리브레이션된 노이즈를 주입하여 엣지 차등 프라이버시를 강제한다.
• 전반적인 구조 학습과 정밀도 유지에 기여하기 위해 구조 중심의 식별자를 사용하는 GAN 프레임워크를 사용한다.
• 원본 그래프의 연결성과 위상적 특징을 유지하기 위해 링크 재구성 손실을 적용한다.
• 원본 그래프와 생성된 그래프 간의 공정한 비교를 위해 도수 분포를 기반으로 노드 정렬을 수행한다.
• 프라이버시 예산(ε)을 다양하게 설정하여 프라이버시와 유틸리티 간의 상호 작용을 평가하기 위해 모델을 훈련한다.
• 구조적 유사성 평가 지표로 도수 분포, 무늬 수, GINI, 삼각형 수 등의 그래프 통계량을 사용한다.

실험 결과

연구 질문

• RQ1 딥 그래프 생성 모델은 엣지 수준에서 차등 프라이버시를 확보하면서도 전반적인 구조적 특성을 유지할 수 있는가?
• RQ2 프라이버시 예산(ε)과 구조적 유틸리티 간의 상호 작용은 그래프 생성에서 어떻게 나타나는가?
• RQ3 GAN 기반 아키텍처는 차등 프라이버시 제약 하에서도 효과적으로 전반적인 그래프 구조를 학습할 수 있는가?
• RQ4 제안된 방법은 원본 그래프의 개별 링크를 얼마나 효과적으로 추론 공격으로부터 방어하는가?
• RQ5 그래프 통계 및 후속 작업 성능 유지를 고려할 때, DPGGan은 비공개 기반선 및 다른 프라이버시 기반선 대비 어떻게 비교되는가?

주요 결과

• DPGGan은 LCC, TC, CPL 등 다양한 지표에서 비공개 기반선(NetGAN, GraphRNN)을 일관되게 능가하여 전반적인 그래프 구조를 효과적으로 유지한다.
• 동일한 프라이버시 예산 하에서 DPGVae보다 더 높은 구조적 유사성을 달성함으로써 GAN 기반 설계의 우수성을 입증한다.
• 원본 네트워크 대비 DBLP에서는 13.0%~16.9%, IMDB에서는 27.3%~28.6% 감소하여 생성된 그래프에서 링크 예측 정확도가 감소함으로써 강력한 링크 프라이버시 보호를 입증한다.
• 생성된 그래프를 사용한 그래프 분류 정확도가 GIN 기반으로도 경쟁 가능함을 보이며, 후속 작업에 대한 유효성을 입증한다.
• 프라이버시 예산 ε가 증가함에 따라 구조적 유사도가 향상됨을 확인하여 프라이버시와 유틸리티 간 명확한 상충관계를 확인한다.
• 도수 분포 및 무늬 수에 대한 코사인 유사도가 높게 유지되어 국소 및 전반적인 위상 패턴이 효과적으로 보존되었음을 시사한다.