[论文解读] 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 6

一句话总结

PrivGraph 是一种差分隐私图生成方法，通过利用社区结构来减少噪声并保持图的保真度。通过将图划分为社区，并对社区内和社区间边分别应用扰动和重建，其在隐私预算为1的Facebook数据集上，模块度的相对误差比之前的方法降低了51.3%。

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.

研究动机与目标

• 解决现有差分隐私图生成方法的局限性，这些方法要么引入过多噪声，要么在编码过程中遭受信息损失。
• 改善发布的合成图中隐私保护与结构保真度之间的权衡。
• 开发一种在满足严格差分隐私保证的同时，保留图结构（尤其是社区级模式）的方法。
• 通过发布语义准确的合成图，支持通用的下游图分析。

提出的方法

• PrivGraph 使用两步差分隐私社区检测机制：社区初始化，随后进行社区调整以确保差分隐私合规。
• 它将图划分为社区，并根据边的结构特征，对社区内和社区间边应用不同的噪声扰动策略。
• 该方法提取并扰动社区级信息（社区内和社区间边数），与逐边或逐邻接矩阵单元的扰动相比，显著降低了对噪声的敏感性。
• 它从扰动后的社区级统计信息重建合成图，保留全局结构的同时最小化失真。
• 应用后处理步骤以强制保证数据保真度并提高重建准确性。
• 该方法旨在满足边级差分隐私，确保任意单条边的存在或缺失对输出的影响有限。

实验结果

研究问题

• RQ1 能否利用社区结构在差分隐私图生成中减少噪声，同时保持结构保真度？
• RQ2 与对邻接矩阵进行统一扰动相比，分离处理社区内和社区间边如何提升重建准确性？
• RQ3 在相同隐私预算下，PrivGraph 在保留关键图指标方面相比现有最先进方法能多大程度上实现超越？
• RQ4 该方法在小型或稀疏社区上的表现如何？这类社区通常在差分隐私下更难保留。
• RQ5 哪些超参数设置能最优平衡隐私、准确性和计算成本？

主要发现

• 在隐私预算为1的Facebook数据集上，PrivGraph 在模块度上的相对误差比PrivHRG低51.3%。
• PrivGraph 在六个真实世界图数据集上，针对七个常用图指标的表现优于所有基线方法。
• 即使与为特定任务（如度分布或子图计数）量身定制的私有算法相比，PrivGraph 也表现出具有竞争力的性能。
• 消融研究显示，两步社区划分和分别处理社区内/社区间边是性能关键，禁用后性能显著下降。
• PrivGraph 在小型社区上保持了强劲性能，表明其对稀疏结构具有鲁棒性。
• 实证分析表明，超参数调优（尤其是社区检测和噪声尺度）对准确性有显著影响，并为实际部署提供了清晰指导。