Pesquisadores propõem o EdgeRefine, um framework de privacidade diferencial local que melhora a troca entre privacidade e utilidade para Redes Neurais em Grafos (GNN) por meio do refinamento adaptativo de arestas. O método estima as probabilidades de existência de arestas usando similaridade de Jaccard e classifica as arestas para remoção ruidosa, utilizando o orçamento de privacidade para controlar a proporção de arestas verdadeiras para falsas.

  • O EdgeRefine amostra arestas verdadeiras e falsas separadamente com base no ranking de probabilidade e controla o número total de arestas com uma taxa de amostragem k.
  • Sob um orçamento de privacidade de ε=2.5, ele melhora a precisão da classificação de nós em 17,8% no ACM (GAT) e em 19,7% no Cora (GCN) em comparação com as linhas de base de última geração.
  • A classificação de grafos mostra uma degradação média da precisão de apenas cerca de 5% em comparação com as linhas de base sem ruído.
  • O método mantém forte resiliência contra ataques de reconstrução de grafos, com níveis de erro absoluto relativo que somam em média 1.962 no Cora e 1.472 no AMAP.

O EdgeRefine alcança precisão comparável às linhas de base sem ruído, superando substancialmente outros métodos de preservação de privacidade em todos os conjuntos de dados e arquiteturas GNN.