来源:专知
本文约1000字,建议阅读5分钟
本研究推动对网络结构带来的隐私风险的理解和防护,不仅关注与邻居的直接连接,还包括间接网络结构模式的更广泛影响。
用户信息的公开共享为对手推断私人数据打开了大门,导致隐私泄露并可能促成恶意活动。虽然许多研究集中于通过公开的用户属性造成的隐私泄露,但与用户关系暴露相关的威胁,特别是通过网络结构暴露的威胁,往往被忽视。本研究旨在填补这一关键空白,推动对网络结构带来的隐私风险的理解和防护,不仅关注与邻居的直接连接,还包括间接网络结构模式的更广泛影响。为此,我们首先探讨了通过结构进行图隐私泄露(Graph Privacy Leakage via Structure, GPS)的问题,并引入了一种新的度量标准——广义同质性比率(Generalized Homophily Ratio),用于量化各种导致GPS隐私泄露风险的机制。基于这一洞见,我们开发了一种新型的图私有属性推断攻击,该攻击成为评估网络结构在最坏情况下隐私泄露潜力的关键工具。为了保护用户的私人数据免受此类漏洞的影响,我们提出了一种图数据发布方法,该方法结合了可学习的图采样技术,有效地将原始图转化为隐私保护版本。广泛的实验表明,我们的攻击模型对用户隐私构成了重大威胁,而我们提出的图数据发布方法在隐私与实用性之间达到了最优的平衡,相较于基线方法表现更为出色。
关于我们
数据派THU作为数据科学类公众号,背靠清华大学大数据研究中心,分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识,努力建设数据人才聚集平台、打造中国大数据最强集团军。
新浪微博:@数据派THU
微信视频号:数据派THU
今日头条:数据派THU