EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy
한국어 초록
그래프 신경망(GNN)은 그래프 구조 데이터로부터의 학습에서 상당한 성과를 거두었으나, 그래프 구조가 민감한 링크 정보를 누출할 수 있기 때문에 프라이버시에 민감한 영역에서의 활용은 여전히 어렵다. 엣지 수준의 차분 프라이버시를 만족시키기 위한 일반적인 접근법은 그래프의 인접 행렬 모든 원소에 노이즈를 주입하여 개별 엣지의 존재를 불분명하게 하는 것이다. 그러나 강력한 프라이버시를 위해서는 더 많은 노이즈가 필요하고, 과도한 노이즈는 유용성을 저하시키므로 프라이버시-유용성 균형은 실용적인 프라이버시 보존 그래프 학습의 주요 장벽이다. 이 문제를 해결하기 위해 우리는 적응형 엣지 정제를 통해 이러한 절충을 개선하는 로컬 차분 프라이버시 프레임워크인 EdgeRefine을 제안한다. EdgeRefine은 먼저 Jaccard 유사도를 사용하여 엣지 존재 확률을 추정하고, 노이즈가 있는 엣지 제거를 위해 엣지의 순위를 매긴다. 최종 그래프의 희소성과 신뢰성을 보장하기 위해, 프라이버시 예산 $\varepsilon$을 사용하여 실제 엣지와 허위 엣지의 비율을 결정하고, 이 확률 순위에 따라 별도로 샘플링하며, 별도의 샘플링 비율 $k$로 총 엣지 수를 제어한다. 광범위한 실험을 통해 EdgeRefine이 노이즈가 없는 기준선에 필적하는 정확도를 달성하고, 다양한 데이터셋과 GNN 아키텍처에서 다른 프라이버시 보존 방법들을 크게 능가함을 보인다. 프라이버시 예산 $\varepsilon=2.5$ 하에서, EdgeRefine은 GAT 기반 ACM 데이터셋에서 노드 분류 정확도를 최신 기준선 대비 17.8%, GCN 기반 Cora 데이터셋에서 19.7% 향상시킨다. 그래프 분류에서는 노이즈가 없는 기준선 대비 평균 약 5%의 정확도 저하를 달성한다. 그래프 재구성 공격 하에서 EdgeRefine은 모든 프라이버시 예산에서 상대 절대 오차 수준을 1 이상으로 유지하며, Cora에서 평균 1.962, AMAP에서 1.472를 기록하여 프라이버시 누출에 대한 강한 복원력을 나타낸다.
원문 초록
Graph Neural Networks (GNNs) have shown considerable success in learning from graph-structured data, but their use in privacy-sensitive areas remains difficult because graph structure can leak sensitive link information. To satisfy edge-level differential privacy, a common approach is to inject noise into all elements of the graph's adjacency matrix, thereby obfuscating the existence of any single edge. However, stronger privacy requires more noise, and excessive noise reduces utility, making the privacy-utility balance a major barrier to practical privacy-preserving graph learning. To address this issue, we propose EdgeRefine, a local differential privacy framework that improves this trade-off through adaptive edge refinement. EdgeRefine first estimates edge-existence probabilities using Jaccard similarity and ranks edges for noisy edge removal. To ensure the sparsity and reliability of the final graph, it uses the privacy budget $ε$ to determine the ratio of true to false edges, samples them separately based on this probability ranking, and controls the total number of edges with a separate sampling rate $k$. Extensive experiments show that EdgeRefine achieves accuracy comparable to the noise-free baseline and substantially outperforms other privacy-preserving methods across datasets and GNN architectures. Under privacy budget $ε= 2.5$, EdgeRefine improves node classification accuracy over state-of-the-art baselines by 17.8\% on ACM under GAT and 19.7\% on Cora under GCN. In graph classification, it achieves an average accuracy degradation of around 5\% compared to the noise-free baseline. Under graph reconstruction attacks, EdgeRefine maintains relative absolute error levels above 1 across all privacy budgets, averaging 1.962 on Cora and 1.472 on AMAP, indicating strong resilience against privacy leakage.
요약
Jaccard 유사도 기반 확률 추정과 프라이버시 예산 ε을 활용한 결정론적 엣지 샘플링으로 노이즈 그래프를 정제하는 로컬 차분 프라이버시(Local Differential Privacy) 프레임워크 EdgeRefine을 제안하며, ε=2.5 조건에서 기존 최신 기법 대비 노드 분류 정확도를 최대 19.7%까지 향상시키면서도 그래프 재구성 공격에 대한 강한 프라이버시 보호를 동시에 달성한다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.08659v2제출 시각 미확인
- arXiv:2607.08659v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
QUARTET: 관계 그래프에서 트랜스포머를 강화하기 위한 4분기 교차 어텐션과 랜덤 워크 트레이스
QUARTET: Quad-branch cross-Attention and Random-walk Traces for Enhancing Transformers on Relational Graphs
관계 심층 학습(RDL)은 다중 테이블 데이터베이스를 이종 시간 그래프로 모델링하며, 그래프 트랜스포머는 RelBench와 같은 벤치마크에서 현재 최첨단 성능을 달성한다. 그러나 현재 선두 모델인 RelGT는 두 가지 핵심 한계가 있다. 무작위 로컬 샘플러가 느슨하게 연결된 부분 그래프를 만들어 메시지 전달을 방해하고, 전역 어텐션 모듈이 단일한 시드 특징 기반 메모리에만 의존해 더 넓은 거시적 수준의 역학을 놓친다. 이 한계를 극복하기 위해, 로컬 부분 그래프에 전체 셀프 어텐션을 적용하고 교차 어텐션 분기로 전역 문맥을 풍부히 하는 표현력 있는 그래프 트랜스포머 아키텍처 QUARTET을 제안한다. 구체적으로 QUARTET은 최근성 절단 개인화 PageRank(PPR)에 기반한 인과적 랜덤 워크(CRW) 샘플러로, 시간적 누출 없이 간결하고 허브-강건하며 밀집 연결된 로컬 부분 그래프를 추출한다. 동시에 4분기 교차 어텐션 모듈은 시드 특징, 시드 위상, 시간적 역학, 협력적 역학이라는 네 가지 상보적 관점에서 전역 문맥을 통합한다. RelBench v1 분류 과제 전반에서 QUARTET은 현재 최첨단 그래프 트랜스포머 기준선(HGT 및 RelGT)과 지속적으로 동등하거나 더 나은 성능을 보인다. 절제 연구는 CRW 샘플러가 로컬 이웃 품질을 크게 향상시키고, 전역 분기가 과제별로 필수적인 예측 이득을 제공함을 확인한다.
학습된 GNN에서의 지역적 증거 및 기하학적 리드아웃 복구
Local Evidence and Geometric Readout Repair in Trained GNNs
많은 노드(node) 분류(classification) GNN은 로컬 메시지의 비음수 혼합에 선형 분류기를 적용합니다. 오류는 부적절한 혼합 가중치를 반영하거나, 도달 가능한 로짓(logit) 집합이 분류기에 적합하지 않게 배치되었음을 나타낼 수 있습니다. 본 연구에서는 정확한 질량(exact-mass) 선형 계획법과 두 가지 학습된 사후(post-hoc) 복구를 통해 이러한 원인들을 분리합니다. 모든 재가중치화(reweighting)된 예측은 동등한 중심화된 로짓 평행이동(translation)을 가지지만, 메시지로 유도된 변위 집합 내의 평행이동만이 재가중치화를 통해 실현 가능합니다. 8개의 데이터셋(dataset), 8개의 GNN 백본, 10개의 분할에 걸쳐 동결된 모델의 평균 정확도는 62.6%에서 재가중치화 적용 시 63.8%, 집합 조건부 평행이동 적용 시 65.3%로 상승합니다. 매개변수(parameter)가 일치된 노드 전용 평행이동기는 64.6%에 도달하여, 평행이동이 성능 향상의 대부분을 설명하는 반면 메시지 집합은 더 작은 추가적 이점을 제공함을 보여줍니다. 오라클(oracle) 재가중치화는 많은 오류를 수정할 수 있지만, 라벨 없는(label-free) 재가중치화는 이러한 잠재력을 거의 활용하지 못합니다. 즉, 로컬 증거는 종종 존재하지만 선택하기 어려우며, 증거 제약을 완화하는 것이 해당 제약 내에서 학습하는 것보다 더 효과적입니다.
저항 곡률 기반 확장 가능한 서브그래프 샘플링
Scalable Subgraph Sampling via Resistance Curvature
서브그래프 샘플링은 대규모 그래프 신경망(GNN)의 학습 비용을 줄이지만, 샘플링 기준은 엣지의 기하학적 역할을 간과할 수 있다. 우리는 대규모 그래프용 곡률 근사 방법인 ERC-LG 위에 구축한 저항 곡률(resistance curvature) 유도 샘플링 프레임워크를 제안한다. ERC-LG는 Johnson-Lindenstrauss 투영과 정규화된 다중 GPU 배치 공액 그래디언트(conjugate gradient) 솔버를 결합하여, 명시적인 라플라시안 의사역행렬(pseudoinverse) 계산과 전체 임베딩 저장을 피한다. 이렇게 얻은 곡률은 GNN 학습 서브그래프를 구성하기 위한 노드 및 엣지 샘플링 확률을 결정하는 데 활용된다. 실험 결과, 의사역행렬 기반 곡률과 수치적으로 일치하며 CG만 사용한 계산 대비 실행 시간이 감소한다. ERC-LG 기반 샘플링 변형은 다운스트림 노드 분류에서 7개 실세계 데이터셋 중 6개에서 최고 평균 정확도를 달성한다.
엣지 프라이버시 그래프 생성기의 실증적 감사
Empirical Auditing of Edge-Private Graph Generators
본 연구에서는 공격을 통해 확인된 프라이버시 손실(privacy loss)에 대해 통계적으로 유효한 하한을 사용하여, 엣지 이웃(edge-neighbouring) 입력으로부터 생성된 출력이 구별 가능한 상태로 유지되는지 테스트함으로써 프라이버시 유출을 실증적으로 감사합니다. 본 프레임워크는 타깃 엣지를 둘러싼 기하학적 구조를 통해 직접 엣지(direct-edge), 국소 구조(local-structural), 그리고 GNN 기반 공격을 비교합니다. 두 개의 생성기와 두 개의 네트워크에 걸친 실험 결과, 프라이버시 유출은 메커니즘과 네트워크 모두에 의존적이며, 학습된 표현(learned representation)이 기존의 국소 통계로는 포착되지 않는 정보를 드러냄을 보여줍니다.
소프트맥스가 버리는 것: 증거 누적을 위한 질량 인식 어텐션
What Softmax Throws Away: Mass-Aware Attention for Evidence Accumulation
높은 태스크 성능은 모델이 내부 표현에서 예측과 관련된 구조적 정보를 유지하는지 여부를 보여주지 않는다. 예를 들어, 시간 그래프 모델은 높은 future-link AUC를 달성할 수 있지만, 동일한 표현에서 기본 그래프 통계를 복원하는 것은 여전히 어렵다. 우리는 이러한 격차의 한 원인을 표준 어텐션에서 사용하는 가중 평균에서 찾는다. 증거 패턴이 반복되면 분자와 분모가 같은 속도로 증가하므로, 누적된 증거의 양이 다른 입력들이 동일한 집계값을 만들 수 있다. 우리는 표준 L1 정규화를 Lp 계열로 일반화하는 Mass-Aware Attention(MAA)을 제안한다. 반복 상황에서 MAA는 분자와 분모가 서로 다른 속도로 스케일되게 하여, 표현 크기에 기여하는 입력의 유효 개수를 표현 크기에 유지한다. MAA는 추가적인 지도, 파라미터, 은닉 차원, 또는 명시적 개수 특징을 추가하지 않으며, p=1에서 표준 어텐션을 복원한다. 4개의 연속 시간 동적 그래프 모델과 3개의 데이터셋에 걸쳐, MAA는 12개의 모델-데이터셋 셀 중 11개에서 future-link AUC를 개선한다. 동일한 은닉 표현에서의 선형 복원은 평균 4.49% 증가하며, family-wise correction 후 preferential-attachment 복원은 12개 셀 모두에서 개선된다. 또한 marked temporal point process(MTPP), temporal knowledge graph(TKG), 검색-증강 생성(RAG), 시공간 point process(STPP)에서도 일관된 증거를 관찰한다. 정보 접근성과 태스크 유용성은 여전히 구별된다. MTPP에서 NLL은 개선되지만, TKG에서는 랭킹이 대체로 유지되고, RAG의 추가 정보는 진단 헤드를 개선하지 않으며, STPP에서는 하류 LayerNorm이 신호를 지울 수 있다. 이 결과들은 MAA를 표준 어텐션에서 반복 불변성(repetition invariance)을 제어함으로써 예측기 대면 표현의 정보성을 개선하는 일반적인 정규화 원리로 자리매김한다.
적응형 상보적 강화를 통한 이질성 환경에서 조정 기반 GNN 학습의 개선
Remedying Coarsening-Based GNN Training under Heterophily via Adaptive Complementary Enhancement
그래프 신경망(GNN)의 조정(coarsening) 기반 학습, 즉 원본 대규모 그래프 대신 조정된 그래프에서 학습하는 방식은 대규모 그래프로 GNN을 확장하는 유망한 방향이 되었다. 그러나 선행 연구는 거의 전적으로 동질성(homophilic) 그래프에서만 평가되어, 더 도전적인 이질성(heterophilic) 설정은 충분히 탐구되지 않았다. 우리는 경험적·이론적으로 기존 조정 기반 학습 방법이 조정 과정에서 불가피한 그래프 정보 손실로 인해 이질성 그래프에서 상당한 성능 저하를 겪는다는 것을 보인다. 이를 해결하기 위해, 조정 과정에서 버려진 정보를 재통합하는 플러그 앤 플레이, 모델 무관 전략인 적응형 상보적 강화(Adaptive Complementary Enhancement, ACE)를 제안한다. ACE는 원본 노드 특징을 재구성하는 투영기(projector)를 학습하고, 국소 이질성을 임베딩하기 위해 이방성 구조 정규화(anisotropic structural regularization)를 적용한다. 또한 동분산 불확실성 가중(homoscedastic uncertainty weighting)을 채택하여, 이질성 인식 투영기가 재구성한 증강 노드 특징을 사용한 전체 그래프 보조 손실과 주 조정 그래프 학습 손실로 구성된 결합 학습 목표를 적응적으로 균형 조정한다. 광범위한 실험에서 ACE는 최소한의 계산 오버헤드로 동질성 그래프에서 경쟁력 있는 결과를 유지하면서 이질성 벤치마크에서 일관된 성능 향상을 달성함을 보여준다. 코드는 GitHub 저장소 https://github.com/vasile-paskardlgm/ACE 에서 제공된다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.