图隐私论文速递：AsgLDP: Collecting and Generating Decentralized Attributed Graphs With Local Differential Pr

最新推荐文章于 2022-09-28 16:24:33 发布

PriSecLab@Gufe

最新推荐文章于 2022-09-28 16:24:33 发布

阅读量768

点赞数

分类专栏：图数据隐私-论文速递文章标签：本地差分隐私属性社交网络图数据

本文链接：https://blog.csdn.net/gufe_hfding/article/details/109873691

版权

该论文提出了一种名为AsgLDP的方法，使用本地差分隐私收集和生成带有属性的分布式图数据，重点在于保护属性社交网络的隐私。通过在节点属性和度上应用本地差分隐私噪声，生成的模拟图既保护了隐私，又尽可能保持了数据效用。论文还探讨了将此方法扩展到不同类型的属性、节点差分隐私以及在图神经网络中的应用。

摘要由CSDN通过智能技术生成

作者：gufe_hfding

论文概况

在这里插入图片描述
今天介绍的论文是“AsgLDP: Collecting and Generating Decentralized Attributed Graphs With Local Differential Privacy”与今日凌晨讨论的论文一样（详情见前一篇帖子），基于本地差分隐私保护图数据隐私。不同的是，前一篇论文“Towards Locally Differentially Private Generic Graph Metric Estimation”更关注结构社交网络的通用型本地差分隐私保护方法，而本篇论文主要关注属性社交网络的隐私保护。

今天的这篇论文是浙江大学纪守领老师团队发表在TIFS上的论文，纪老师是一个高产的研究人员，在图数据隐私领域做了大量的工作，我关注这方面也是受到纪老师的启发，当然纪老师的研究兴趣十分宽泛也十分前沿，比如最近的可解释机器学习，图神经网络安全等，可惜我才刚起步，能够做的工作有限，在研究方面还要向纪老师这样的楷模学习。具体关于纪老师团队的情况可以到纪老师主页查看。
今天的论文以及相关的2篇论文见如下列表：