Peneliti mengusulkan EdgeRefine, sebuah kerangka kerja privasi diferensial lokal yang meningkatkan trade-off privasi-utilitas untuk Graph Neural Networks melalui penyempurnaan tepi adaptif. Metode ini memperkirakan probabilitas keberadaan tepi menggunakan kesamaan Jaccard dan memberi peringkat tepi untuk penghapusan berisik, menggunakan anggaran privasi untuk mengendalikan rasio tepi benar terhadap palsu.
- EdgeRefine mengambil sampel tepi benar dan palsu secara terpisah berdasarkan peringkat probabilitas dan mengendalikan jumlah total tepi dengan laju sampling k.
- Di bawah anggaran privasi ε=2.5, metode ini meningkatkan akurasi klasifikasi node sebesar 17,8% pada ACM (GAT) dan 19,7% pada Cora (GCN) dibandingkan dengan baseline state-of-the-art.
- Klasifikasi graf menunjukkan degradasi akurasi rata-rata hanya sekitar 5% dibandingkan dengan baseline bebas noise.
- Metode ini mempertahankan ketahanan yang kuat terhadap serangan rekonstruksi graf, dengan tingkat kesalahan absolut relatif rata-rata 1,962 pada Cora dan 1,472 pada AMAP.
EdgeRefine mencapai akurasi yang sebanding dengan baseline bebas noise sambil secara substansial mengungguli metode pelestarian privasi lainnya di seluruh dataset dan arsitektur GNN.