Los investigadores proponen EdgeRefine, un marco de privacidad diferencial local que mejora el equilibrio entre privacidad y utilidad para las Redes Neuronales Graficas (GNN) mediante el refinamiento adaptativo de aristas. El método estima las probabilidades de existencia de aristas utilizando la similitud de Jaccard y clasifica las aristas para su eliminación ruidosa, utilizando el presupuesto de privacidad para controlar la relación entre aristas verdaderas y falsas.
- EdgeRefine muestrea aristas verdaderas y falsas por separado basándose en el ranking de probabilidades y controla el número total de aristas con una tasa de muestreo k.
- Bajo un presupuesto de privacidad de ε=2.5, mejora la precisión de clasificación de nodos en un 17,8% en ACM (GAT) y un 19,7% en Cora (GCN) en comparación con las líneas base de vanguardia.
- La clasificación de grafos muestra una degradación promedio de la precisión de solo alrededor del 5% en comparación con las líneas base sin ruido.
- El método mantiene una fuerte resiliencia contra ataques de reconstrucción de grafos, con niveles de error absoluto relativo que promedian 1.962 en Cora y 1.472 en AMAP.
EdgeRefine logra una precisión comparable a las líneas base sin ruido, superando sustancialmente a otros métodos que preservan la privacidad en todos los conjuntos de datos y arquitecturas GNN.