Privacy-Preserving Social Network with Multigrained and Multilevel Access Control
我研究了两个隐私保护社交网络图，以揭示连接边的关系类型并提供灵活的多粒度访问控制。为了创建这样的图表，我的方案采用了秘书和关系类型的概念。它比那些使用昂贵的密码原语的算法效率高得多。我还展示了如何将这些方案用于具有各种选项的多粒度访问控制。此外，我描述了多少这些计划是弹性的，以推断连接边的类型。
2014-04-02 cs.CR cs.SI
PrivacyScore: Improving Privacy and Security via Crowd-Sourced Benchmarks of Websites
网站所有者会做出有意识和无意识的决定，这些决定会影响他们的用户，从而可能使他们在此过程中面临隐私和安全风险。在本文中，我们介绍了PrivacyScore，一个自动化的网站扫描门户，允许任何人对多个网站的安全和隐私功能进行基准测试。与现有项目相比，PrivacyScore中实现的检查涵盖了更广泛的潜在隐私和安全问题。此外，用户可以控制排名和分析方法。因此，PrivacyScore还可供数据保护机构用于定期执行合规性检查。从长远来看，我们希望发布的基准所带来的透明度能够激励网站所有者改进他们的网站。PrivacyScore第一版的公开发布于2017年6月的ENISA年度隐私论坛上。
2017-10-11 cs.CR cs.CY cs.SI
Personalized Social Recommendations - Accurate or Private?
随着最近像Facebook这样的社交网络的兴起，新形式的推荐已经成为可能--个性化的广告推荐、内容推荐，甚至是基于一个人的社交互动的新朋友和产品联系。由于推荐可能使用敏感的社交信息，因此推测这些推荐与隐私风险相关。这项工作的主要贡献是在正规化这些预期的权衡之间的准确性和隐私的个性化社会建议。在本文中，我们研究是否“社会建议”，或建议，完全基于用户的社交网络，可以在不披露敏感的链接在社交图。更准确地说，我们量化的效用损失时，现有的推荐算法进行修改，以满足一个强有力的隐私概念，称为差分隐私。我们证明了任何推荐算法的最小效用损失的下界是差异私人。我们适应两个隐私保护算法的差分隐私文献的社会建议的问题，并分析其性能的下限相比，分析和实验。我们表明，良好的私人社交推荐仅适用于社交网络中的一小部分用户或宽松的隐私参数设置。
2011-05-21 cs.CR cs.DB cs.SI
Applications of Differential Privacy in Social Network Analysis: A Survey
差分隐私是一种有效的信息共享和隐私保护的强有力的保证。随着社会网络分析的广泛应用，为差分隐私的应用开辟了新的领域。在这篇文章中，我们提供了一个全面的调查连接的基本原则，不同的隐私和应用程序在社会网络分析。我们提出了一个简要的审查差分隐私的基础和主要的变种，并讨论差分隐私是如何应用到社会网络分析，包括隐私攻击在社交网络，类型的差分隐私在社会网络分析，和一系列流行的任务，如度分布分析，子图计数和边权重。我们还讨论了未来研究的一系列挑战。
2021-04-15 cs.CY cs.SI
Empowering Evolving Social Network Users with Privacy Rights
在社交网络上存在着对隐私的相当大的关注，并且关于如何扩展用户需要的构件以有效地保护他们的隐私权的巨大争论持续存在。虽然已经提出了许多有趣的想法，但似乎没有一种方法足够全面，可以成为领跑者。在本文中，我们提出了一个全面的和新颖的参考概念模型的隐私在不断发展的社交网络，并建立其新颖性，通过简要对比它与当代的研究。我们还提出了一个可能的查询语言，我们可以开发的参考模型的理想功能的轮廓，并参考一个新的查询语言，{ \em PiQL}，开发的基础上，这个模型的目的是支持用户驱动的隐私政策的创作和执行。我们的模型的优势在于，通过开发适当的语言结构作为查询语言（如SQL）的一部分，这种扩展现在是可能的，正如PiQL中所展示的那样。
2013-12-01 cs.CR cs.DB cs.SI
YOURPRIVACYPROTECTOR, A recommender system for privacy settings in social networks
确保社交网络用户的隐私可能是一个无法解决的难题。同时，社交网络参与者对现有隐私选项的知情使用可以减轻-甚至防止-一些更严重的隐私厌恶事件。不幸的是，最近的调查显示，普通用户要么不知道这些选项，要么不使用它们，可能是由于它们的复杂性。因此，有理由相信，帮助用户完成两项任务的工具：1）根据他们的隐私设置和广泛的隐私类别了解他们的社交网络行为，以及2）推荐合理的隐私选项，将是社交网络环境中日常隐私实践的有价值的工具。本文介绍了YourPrivacyProtector，一个推荐系统，显示如何简单的机器学习技术可以提供有用的帮助，在这两个任务的Facebook用户。我们支持我们的主张与经验的结果YourPrivacyProtector应用到两组Facebook用户。
2016-02-05 cs.CR cs.CY cs.IR
On analyzing and evaluating privacy measures for social networks under active attack
在现代互联网时代，诸如Facebook、Twitter和LinkedIn的复杂互连社交网络的广泛使用也不幸地为恶意实体侵犯这些网络的用户的隐私打开了大门。在这篇文章中，我们从理论和经验两方面研究了最近在（Information Sciences，328，403-417，2016）中引入的主动攻击下大型网络的隐私侵犯措施。我们的理论结果表明，如果网络拓扑不包含环，则负责防止隐私侵犯的网络管理员在设计网络时必须非常小心。我们的实证结果揭示了8个真实的社交网络以及大量的合成网络的隐私侵犯性质的经典Erdos-Renyi模型和Barabasi-Albert偏好依恋模型产生的无标度随机网络。
2018-09-16 cs.SI
Privacy & Social Media in the Context of the Arab Gulf
隐私理论及其与信息通信技术（ICT）使用的关系一直是几十年来的研究课题。然而，很少有人关注中东技术用户对隐私的看法。在本文中，我们深入探讨了从阿拉伯海湾公民的做法隐私的解释。我们认为隐私是如何实践和理解在技术为媒介的环境中，这一人群，特别注意伊斯兰教和文化传统在构建隐私规范的作用。然后，我们提供文化敏感的设计原则和建议，为未来的研究，结合以前未探索的隐私特性，发挥作用，用户如何浏览社交媒体。
2016-04-13 cs.CY cs.SI
PPM: A Privacy Prediction Model for Online Social Networks
在线社交网络（OSN）在我们的社交生活中扮演着越来越重要的角色，其固有的隐私问题已成为用户的主要关注点。我们能否帮助消费者进行隐私决策，例如预测他们的偏好并提供个性化建议？为此，我们引入PPM：一个隐私预测模型，植根于心理学原理，它可以用来给用户个性化的建议，他们的隐私决策的做法。使用这个模型，我们研究的心理变量，已知会影响用户的披露行为：请求者/信息受众的可信度，接收者/信息持有者的共享倾向，请求/共享信息的敏感性，请求/共享活动的适当性，以及几个更传统的上下文因素。
2016-06-23 cs.CY cs.SI
Semantic Web Approach towards Interoperability and Privacy issues in Social Networks
社交网络是通过万维网将人们联系起来的一组社会关系。这个社交网络包括网站和软件是如何设计和开发的，以支持社会关系。社会化网络引入的新范式、工具和网络服务被互联网用户广泛接受。这些工具的主要缺点是它充当独立的数据孤岛;因此应用程序之间的互操作性是一个复杂的问题。本文重点讨论这个问题以及如何最好地使用语义Web技术来实现应用程序之间的互操作性。
2014-10-08 cs.SE cs.SI
AgentSocialBench: Evaluating Privacy Risks in Human-Centered Agentic Social Networks
Carnegie Mellon University（卡内基梅隆大学）
研究探讨了人类中心代理社交网络中的隐私挑战，提出AgentSocialBench基准，揭示代理协作中隐私保护的复杂性及现有LLM在隐私保护上的不足。
2026-04-06 cs.AI cs.SI
A Longitudinal Study of Social Media Privacy Behavior
现有的隐私问题和行为的结构不充分模型之间的偏差用户的态度和行为。虽然一些研究已经检查了假设偏离理性的在线用户，这些行为的真正解释可能在于以前没有解决的隐私问题的结构的因素。特别是，隐私的态度和行为的变化，随着时间的推移还没有检查的背景下的实证研究。本文介绍了一个敏捷的，基于sprint的社交媒体用户的纵向研究的结果，在2009年4月至2011年3月的两年时间内进行。本研究结合隐私监管理论的概念与互联网用户的信息和隐私关注模型的结构，创建了一系列在线调查，研究了社交媒体隐私态度和自我报告行为随时间的变化。这项研究的主要结果是，在2009年至2011年的两年时间里，受访者对社交媒体网站的隐私问题和不信任感显著增加，而他们披露个人信息的意愿和与新网友联系的意愿显著下降。对选定的受访者进行的进一步定性访谈确定了这些变化，这些变化象征着用户制定了专门的风险缓解策略来解决隐私威胁。
2011-03-16 cs.CY cs.SI
Personal Information Privacy Settings of Online Social Networks and their Suitability for Mobile Internet Devices
保护个人信息隐私已成为在线社交网络提供商和用户之间的争议问题。大多数社交网络提供商已经开发了几种技术来减少对用户隐私的威胁和风险。这些风险包括滥用个人信息，可能导致身份盗窃等非法行为。本研究旨在衡量用户保护个人信息隐私的意识，以及他们用来修改隐私设置的隐私系统的适用性。调查结果显示，使用智能手机进行网络服务的比例很高，但目前在线社交网络的隐私设置需要改进，以支持不同类型的手机屏幕。由于大多数用户使用手机进行互联网服务，因此需要开发与手机兼容的隐私设置。选择隐私设置的方法也应该简化，以便为用户提供将与他人共享的数据的清晰画面。这项研究的结果可以用来开发一个新的隐私系统，这将有助于用户从不同的设备，包括移动互联网设备和计算机轻松地控制他们的个人信息。
2013-05-13 cs.CY cs.SI
Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间安全学院）；Sony AI（索尼人工智能）；Salesforce（赛富时）；Zhejiang University（浙江大学）；Macquarie University（麦考瑞大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
集成多个在线社交网络（OSN）对许多下游社交挖掘任务具有重要意义，例如用户偏好建模，推荐和链接预测。然而，不幸的是，它伴随着越来越多的隐私问题泄露敏感的用户信息。如何充分利用来自不同在线社交网络的数据，同时保护用户隐私，在很大程度上仍然没有解决。为此，我们提出了一个跨网络的社会用户嵌入框架，即DP-CroSUE，学习全面的表示用户的隐私保护的方式。我们共同考虑来自具有差分隐私保证的部分对齐的社交网络的信息。特别是，对于每个异构的社会网络，我们首先引入了一个混合差分隐私的概念，以捕捉异构数据类型的隐私期望的变化。其次，为了发现用户在社交网络中的联系，我们进行了无监督的基于用户嵌入的对齐，其中用户嵌入是通过异构网络嵌入技术实现的。为了进一步增强用户嵌入，设计了一种新的跨网络GCN嵌入模型，通过这些对齐的用户跨网络传输知识。在三个真实数据集上的大量实验表明，该方法在用户兴趣预测任务和防御用户属性推断攻击方面都有显着改进。
2022-09-04 cs.AI cs.SI
The Power and Pitfalls of Transparent Privacy Policies in Social Networking Service Platforms
用户在社交网络服务平台（SNS）上披露的个人数据量不断增加。除非SNS的政策是隐私友好的，否则它们很容易受到隐私风险的影响，因为它们忽略了隐私政策。设计者和监管机构一直在推动更短、更简单、更突出的隐私政策，但缺乏透明政策增加知情同意的证据。为了回答这个问题，我们进行了一项在线实验，要求214名Facebook常规用户加入一个虚构的SNS。我们实验操纵的隐私友好的SNS的政策和各种威胁的二级数据的使用和数据的可见性。一半的参与者甚至错误地回忆起了最正式的“完美”和易于阅读的隐私政策。大多数情况下，用户回忆起的政策比实际上更隐私友好。此外，参与者在意识到存在可见性威胁时会自我审查他们的披露，但对二手数据使用的威胁不太敏感。我们提出了设计建议，以增加知情同意。
2019-12-04 cs.CY cs.HC cs.SI
P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Network
Xiamen University（厦门大学）；Insightone Tech Co., Ltd（智联科技有限公司）
本文提出P4GCN方法，通过隐私保护两方图卷积网络实现纵向联邦社交推荐，在无需直接访问敏感社交数据的前提下提升推荐准确性，并在四个数据集上验证其优于现有方法。
2025-02-04 cs.AI cs.IR cs.LG
