Les chercheurs proposent EdgeRefine, un cadre de confidentialité différentielle locale qui améliore le compromis confidentialité-utilité des Réseaux de Neurones Graphiques (GNN) grâce à un raffinement adaptatif des arêtes. La méthode estime les probabilités d'existence des arêtes en utilisant la similarité de Jaccard et classe les arêtes pour une suppression bruitée, en utilisant le budget de confidentialité pour contrôler le ratio entre les vraies et fausses arêtes.

  • EdgeRefine échantillonne séparément les vraies et fausses arêtes sur la base du classement par probabilité et contrôle le nombre total d'arêtes avec un taux d'échantillonnage k.
  • Avec un budget de confidentialité de ε=2.5, il améliore la précision de classification des nœuds de 17,8 % sur ACM (GAT) et de 19,7 % sur Cora (GCN) par rapport aux états de l'art.
  • La classification de graphes montre une dégradation moyenne de la précision d'environ 5 % par rapport aux références sans bruit.
  • La méthode maintient une forte résilience contre les attaques de reconstruction de graphes, avec des niveaux d'erreur absolue relative moyennant 1,962 sur Cora et 1,472 sur AMAP.

EdgeRefine atteint une précision comparable aux références sans bruit tout en surpassant substantiellement les autres méthodes préservant la confidentialité sur l'ensemble des jeux de données et architectures GNN.