يقترح الباحثون إطار عمل الخصوصية التفاضلية المحلية EdgeRefine الذي يحسن المقايضة بين الخصوصية والمنفعة لشبكات العصبية الرسومية من خلال تنقيح الحواف التكيفي. تقدر الطريقة احتمالات وجود الحواف باستخدام تشابه جاكارد وترتب الحواف للإزالة المشوشة، مستخدمة الميزانية الخصوصية للتحكم في نسبة الحواف الحقيقية إلى الكاذبة.
- تأخذ EdgeRefine عينات من الحواف الحقيقية والكاذبة بشكل منفصل بناءً على الترتيب الاحتمالي وتتحكم في العدد الإجمالي للحواف بمعدل أخذ العينات k.
- تحت ميزانية خصوصية ε=2.5، تحسن دقة تصنيف العقد بنسبة 17.8% على ACM (GAT) و19.7% على Cora (GCN) مقارنة بأساسيات الحالة الفنية.
- أظهر تصنيف الرسوم البيانية تدهوراً متوسطاً في الدقة يبلغ حوالي 5% فقط مقارنة بالأساسيات الخالية من الضوضاء.
- تحافظ الطريقة على مرونة قوية ضد هجمات إعادة بناء الرسم البياني، مع مستويات خطأ مطلق نسبي متوسط قدره 1.962 على Cora و1.472 على AMAP.
تحقق EdgeRefine دقة قابلة للمقارنة مع الأسس الخالية من الضوضاء بينما تتفوق بشكل كبير على طرق الحفاظ على الخصوصية الأخرى عبر مجموعات البيانات وهندسات GNN.