Исследователи предлагают EdgeRefine, локальную схему дифференциальной приватности, которая улучшает компромисс между приватностью и полезностью для Графовых Нейронных Сетей за счет адаптивного уточнения ребер. Метод оценивает вероятности существования ребер с использованием сходства Жаккара и ранжирует ребра для зашумленного удаления, используя бюджет приватности для контроля отношения истинных к ложным ребрам.

  • EdgeRefine выбирает истинные и ложные ребра отдельно на основе ранжирования вероятностей и контролирует общее количество ребер с помощью коэффициента выборки k.
  • При бюджете приватности ε=2.5 он улучшает точность классификации узлов на 17,8% на ACM (GAT) и на 19,7% на Cora (GCN) по сравнению с передовыми базовыми методами.
  • Классификация графов показывает среднее снижение точности всего около 5% по сравнению с базовыми методами без шума.
  • Метод сохраняет сильную устойчивость к атакам реконструкции графа, при этом уровни относительной абсолютной ошибки в среднем составляют 1,962 на Cora и 1,472 на AMAP.

EdgeRefine достигает точности, сопоставимой с базовыми методами без шума, существенно превосходя другие методы сохранения приватности по наборам данных и архитектурам GNN.