연구자들은 적응형 에지 정제를 통해 그래프 신경망의 프라이버시-유틸리티 트레이드오프를 개선하는 로컬 차분 프라이버시 프레임워크인 EdgeRefine을 제안했습니다. 이 방법은 Jaccard 유사도를 사용하여 에지 존재 확률을 추정하고, 노이즈 제거를 위해 에지를 순위 매기며, 프라이버시 예산을 사용하여 실제 에지와 가짜 에지의 비율을 제어합니다.

  • EdgeRefine은 확률 순위에 따라 실제 에지와 가짜 에지를 별도로 샘플링하고, 샘플링 비율 k로 총 에지 수를 제어합니다.
  • ε=2.5의 프라이버시 예산 하에서, 최신 기반선 대비 ACM(GAT)에서 노드 분류 정확도가 17.8% 향상되었고 Cora(GCN)에서는 19.7% 향상되었습니다.
  • 그래프 분류는 무노이즈 기반선 대비 평균 약 5%의 정확도 저하만 보였습니다.
  • 이 방법은 그래프 재구성 공격에 대해 강한 복원력을 유지하며, Cora에서 상대 절대 오차 수준이 평균 1.962, AMAP에서 1.472였습니다.

EdgeRefine은 무노이즈 기반선과 비교 가능한 정확도를 달성하면서도 데이터셋과 GNN 아키텍처 전반에 걸쳐 다른 프라이버시 보존 방법을 크게 능가합니다.