शोधकर्ताओं ने EdgeRefine प्रस्तावित किया, जो एक स्थानीय अंतरिष्ठ गोपनीयता ढांचा है जो अनुकूलन योग्य एज रिफाइनमेंट के माध्यम से ग्राफ न्यूरल नेटवर्क्स (GNN) के लिए गोपनीयता-उपयोगिता ट्रेड-ऑफ को बेहतर बनाता है। विधि Jaccard समानता का उपयोग करके एज-अस्तित्व संभावनाओं का अनुमान लगाती है और शोर वाले हटाने के लिए एजों को रैंक करती है, सत्य और मिथ्या एजों के अनुपात को नियंत्रित करने के लिए गोपनीयता बजट का उपयोग करते हुए।
- EdgeRefine संभावना रैंकिंग के आधार पर सत्य और मिथ्या एजों को अलग-अलग सैम्पल करता है और एक सैम्पलिंग दर k के साथ कुल एज गिनती को नियंत्रित करता है।
- ε=2.5 के गोपनीयता बजट के तहत, यह सबसे उन्नत बेलाइन की तुलना में ACM (GAT) पर नोड वर्गीकरण सटीकता को 17.8% और Cora (GCN) पर 19.7% से बेहतर बनाता है।
- ग्राफ वर्गीकरण शोर-मुक्त बेलाइन की तुलना में केवल आसपास 5% की औसत सटीकता क्षति को दिखाता है।
- विधि ग्राफ पुनर्निर्माण हमलों के खिलाफ मजबूत प्रतिरोध बनाए रखती है, जिसमें Cora पर सापेक्ष निरपेक्ष त्रुटि स्तर औसतन 1.962 और AMAP पर 1.472 हैं।
EdgeRefine शोर-मुक्त बेलाइन के तुलनीय सटीकता प्राप्त करता है, जबकि डेटासेट और GNN आर्किटेक्चर भर में अन्य गोपनीयता संरक्षक विधियों को काफी रूप से अग्रसर करता है।