差分隐私&图(graph)&社交网络

这篇文章我们会继续差分隐私(DP)的旅途，我们研究一类特殊的输入，图(graph)，这里并不是另一种图(Image)，所以如果你想知道后者，那么得另寻他处。
输入是图的话，我们首先会去想，差分隐私的定义在图上是如何的呢？对于目前的差分隐私研究，这里一共有两类定义，分别是边级别的差分隐私(edge-DP)和结点级别的差分隐私(node-DP)，接下来我们看看它们的概念和区别。

($ϵ$,$\delta$)-DP

简单描述一下，这个就是讲的，首先M是一个随机算法（DP往往预示着随机），我给这个M两个相邻的输入，你可以认为这两个输入很接近，对于这两个输入，我的输入分布（随机算法意味着输出是概率事件）相差不会很大。这样，攻击者妄图使用差分攻击，去根据你输出的差异去推断输入是不可能的（在一定查询数量下）。

Edge-DP

这个概念可以具化到在某些社交网络当中，信息是存储在边上的，比如关系，这些信息是敏感的，需要隐私计算。
区别就是我的输入$x$成了图结构了，与之关联的相邻的概念也会发生改变。两个相邻输入$x$和$x^{\prime }$是两个仅有一条边不同的图。就是说，$x^{\prime }$可以通过$x$删除自己某条边或者增加某条边形成。这里注意的是，我们固定了顶点，可以理解为结点个数$|V|=n$和结点编号是固定的。
如下图所示，下面这两个图我们称它们是相邻（在edge-DP概念下）的。

有一点比较值得注意，就是满足edge-DP的算法所有的输入都是$|V|=n$的，这个$n$我们提前是知道的。

Node-DP

这个概念可以具化到一些社交网络，信息不仅存在于边上还存在于结点上，节点上有敏感属性，边上有敏感关系。
结点级别的差分隐私定义相邻图是这样定义的，相邻图是指的是差一个结点的图。这里有个值得注意的是，删除结点意味着删除这个结点以及这个结点连接的所有边，增加一个结点意味着增加一个结点然后连接任意条边。
如下图所示（没找着($ϵ$,$\delta$)-DP先凑合用，所以不意味着没有），

考虑node-DP概念下的相邻图，举个极端的例子，以下图$G$为例

下图$G^{\prime }$是和$G$相邻的

下图$G^{\prime \prime }$也是和$G$相邻的

输出就没什么要求了，输入是图，输入可以是各种各样的东西。目前来说，node-DP因为在其概念下的敏感度一般较大，所以相对于edge-DP研究起来更为困难，edge-DP的研究也更加成熟

研究内容

DP in Gragh是个比较宽广的研究方向，几乎所有图的问题都有隐私需要。
常见的比如，节点度分布向量（degree distirbution）的发布，三角形计数（triangle counting），割查询（cut query），各种聚类(cluster)等等。

By BRB, 2023/04/28