Исследователи представили EdgeRefine — метод обеспечения дифференциальной приватности на уровне ребер в графовых нейронных сетях (GNN). Технология использует сэмплирование по Жаккару для фильтрации шума, добавляемого в матрицу смежности. Это позволяет сбалансировать защиту конфиденциальных данных о связях между узлами и точность предсказаний модели, решая проблему избыточного зашумления графовых структур.

Традиционные подходы к обеспечению дифференциальной приватности в графах часто требуют добавления шума ко всем элементам матрицы смежности. Это приводит к значительному снижению полезности данных, так как структура графа становится слишком разреженной или искаженной. EdgeRefine оптимизирует этот процесс, позволяя сохранять важные топологические характеристики сети даже при строгих требованиях к приватности.

Метод демонстрирует эффективность в задачах обучения на чувствительных данных, где утечка информации о связях между объектами недопустима. Использование сэмплирования по Жаккару помогает сфокусироваться на наиболее значимых ребрах, минимизируя влияние случайного шума на итоговые веса модели. Это открывает возможности для более широкого применения GNN в медицине, финансах и социальных исследованиях, где защита приватности является критическим требованием.

Ключевые факты

  • Метод EdgeRefine направлен на решение проблемы утечки данных о связях в графовых нейронных сетях.
  • В основе алгоритма лежит механизм сэмплирования по Жаккару, который фильтрует шум, добавляемый для обеспечения дифференциальной приватности.
  • Технология позволяет достичь лучшего баланса между защитой конфиденциальной информации и точностью работы нейросети по сравнению с классическими методами зашумления.
  • Подход ориентирован на сценарии, где структура графа содержит чувствительную информацию, требующую защиты на уровне отдельных ребер.