研究人员提出了 EdgeRefine，这是一种局部差分隐私框架，通过自适应边细化改善了图神经网络（GNN）的隐私-效用权衡。该方法使用 Jaccard 相似度估计边存在概率，并对边进行排序以进行噪声移除，利用隐私预算来控制真实边与虚假边的比例。

  • EdgeRefine 根据概率排名分别采样真实边和虚假边，并使用采样率 k 控制总边数。
  • 在 ε=2.5 的隐私预算下，与最先进的基线相比，它在 ACM (GAT) 上将节点分类准确率提高了 17.8%，在 Cora (GCN) 上提高了 19.7%。
  • 图分类显示，与无噪声基线相比，平均准确率仅下降约 5%。
  • 该方法对图重建攻击保持了强大的韧性，在 Cora 上的相对绝对误差水平平均为 1.962，在 AMAP 上为 1.472。

EdgeRefine 实现了与无噪声基线相当的准确率，同时在各个数据集和 GNN 架构上显著优于其他隐私保护方法。