研究者らは、適応的なエッジの精緻化を通じてグラフニューラルネットワークのプライバシーと有用性のトレードオフを改善するローカル差分プライバシーフレームワークであるEdgeRefineを提案した。この手法はJaccard類似度を用いてエッジの存在確率を推定し、ノイズ除去のためにエッジをランク付けし、プライバシー予算を使用して真のエッジと偽のエッジの比率を制御する。

  • EdgeRefineは確率ランクに基づいて真のエッジと偽のエッジを別々にサンプリングし、サンプリングレートkで総エッジ数を制御する。
  • ε=2.5のプライバシー予算の下で、最先端のベースラインと比較してACM（GAT）でノード分類精度が17.8%向上し、Cora（GCN）で19.7%向上した。
  • グラフ分類では、ノイズフリーのベースラインと比較して平均約5%の精度低下にとどまった。
  • この手法はグラフ再構築攻撃に対して強い耐性を維持しており、Coraでの相対絶対誤差レベルは平均1.962、AMAPで1.472であった。

EdgeRefineは、ノイズフリーのベースラインと同等の精度を達成しつつ、データセットやGNNアーキテクチャ全体で他のプライバシー保護手法を大幅に上回っている。