面向去中心化双重差分隐私的谱图卷积神经网络

作     者：刘峰 杨成意 於欣澄 齐佳音 LIU Feng;YANG Chengyi;YU Xincheng;QI Jiayin

作者机构：华东师范大学计算机科学与技术学院上海200062 上海对外经贸大学人工智能与变革管理研究院上海200336 上海对外经贸大学统计与信息学院上海201620 

出 版 物：《信息网络安全》 (Netinfo Security)

年 卷 期：2022年第2期

页      面：39-46页

学科分类：0839[工学-网络空间安全] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划[2017YFB0803304] 国家自然科学基金 

主　　题：双重差分隐私 去中心化差分隐私 谱图卷积神经网络模型 区块链 

摘      要：图卷积神经网络是一种面向多任务且应用广泛的深度学习模型。文章研究了去中心化场景中谱域图卷积神经网络节点关系信息和节点特征信息的保护问题,提出双重差分隐私保护机制下的谱图卷积神经网络DDPSGCN。在给定隐私预算总额的条件下对拉普拉斯机制和高斯机制进行隐私预算分配,并通过隐私损失和Chernoff界理论进行参数估计。在两大分布噪声扰动作用基于不同图数据信息的隐私保护下,文章提出基于区块链去中心化差分隐私处理机制的图卷积神经网络训练算法。实验表明文章采用的去中心化双重差分隐私机制,能够在半监督节点分类任务准确率下降1%以内的前提下确保原始数据隐私不泄露,相较于单隐私保护机制有着更高的隐私保护效率和更强的对抗攻击鲁棒性。