BriefGPT - AI 论文速递
·
神经网络本地差分分类隐私验证
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文介绍了一种基于图神经网络的学习框架，可以在用户层面提供节点隐私，并在损失效用性方面表现较低。该框架使用分布式隐私保护的概念，在节点水平对特征和标签数据应用随机化机制，并通过随机化数据的统计分析中的频率估计开发了重构方法来逼近扰动数据的特征和标签。此外，该框架还利用图聚类的频率估计来在子图层面监督训练过程。实验结果证明了该模型的有效性。
🎯
关键要点
-
提出了一种基于图神经网络的学习框架，提供节点隐私。
-
框架在损失效用性方面表现较低。
-
使用分布式隐私保护概念，对特征和标签数据应用随机化机制。
-
在数据被中央服务器收集前进行扰动。
-
通过频率估计开发重构方法，逼近扰动数据的特征和标签。
-
利用图聚类的频率估计在子图层面监督训练过程。
-
在真实数据集和半合成数据集上进行了大量实验，验证模型有效性。
➡️
