Graph Sparsification with Generative Adversarial Network
图稀疏化旨在减少网络的边数，同时保持其对给定任务的准确性。在这项研究中，我们提出了一种新的方法，称为GSGAN，这是能够稀疏网络的社区发现任务。GSGAN能够捕捉那些在原始图中没有显示但相对重要的关系，并创建人工边来反映这些关系，进一步提高社区发现任务的有效性。我们采用GAN作为学习模型，并指导生成器产生能够捕获网络结构的随机游走。具体来说，在训练阶段，除了判断随机游走的真实性外，神经网络还同时考虑节点之间的关系。我们设计了一个奖励函数来引导生成器创建包含有用的隐藏关系信息的随机游走。然后，这些随机游走被组合以形成新的社交网络，该社交网络对于社区发现是高效和有效的。实验结果表明，GSGAN的聚类效果明显优于基线算法，可以应用于各种社区发现的聚类算法中.
2020-09-24 cs.SI
Similarity-Aware Spectral Sparsification by Edge Filtering
Michigan Technological University（密歇根理工大学）
本文提出一种基于相似性感知的谱稀疏化框架，通过高效的谱离树边嵌入和过滤方案，构造具有保证谱相似性的稀疏图。引入迭代图密集化方案，有效过滤高病态问题中的离树边。
2018-04-07 cs.DS cs.NA cs.SI
dyGRASS: Dynamic Spectral Graph Sparsification via Localized Random Walks on GPUs
dyGRASS提出基于GPU局部随机游走的动态谱图稀疏化算法，支持流式边增删，相比inGRASS实现约10倍加速并提升解质量，适用于多种图实例。
2025-09-07 cs.NA cs.SI math.NA
Network Sparsification via Degree- and Subgraph-based Edge Sampling
提出一种基于度、楔形和三角形等局部节点特征的广义边采样稀疏化方法，并借助带阈值的博弈论框架加速求解，实验表明其能有效保留多尺度网络结构。
2023-01-10 cs.SI
GRASS: Graph Spectral Sparsification Leveraging Scalable Spectral Perturbation Analysis
谱图稀疏化的目的是寻找超稀疏子图，其拉普拉斯矩阵能够很好地逼近原始拉普拉斯特征值和特征向量。近年来，谱稀疏技术被广泛研究，以加速各种数值和图形相关的应用。现有的近线性时间谱稀疏化方法首先从原始图中提取低拉伸生成树以形成稀疏器的主干，然后将小部分谱关键离树边缘恢复到生成树以显著提高近似质量。然而，目前还不清楚有多少离树边缘应恢复，以实现所需的频谱相似性水平内的稀疏。受最近的图形信号处理技术的启发，本文提出了一个相似性感知的频谱图稀疏化框架，利用有效的频谱离树边缘嵌入和过滤方案，以保证频谱相似性（相对条件数）水平的频谱稀疏器。一个迭代的图形致密化计划也被引入，以促进高效和有效的过滤高度病态的问题的离树边缘。所提出的方法已被验证，使用各种图形从公共领域稀疏矩阵收集相关的VLSI CAD，有限元分析，以及社会和数据网经常在许多机器学习和数据采掘应用研究。例如，使用单个CPU核心和大约6 GB内存，可以在两分钟内解决具有4000万个未知数和1.8亿个非零的稀疏SDD矩阵（1 E-3精度级别）。
2020-04-29 cs.DS cs.NA cs.SI
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同，我们的方法能够保留原始图的社区结构，而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM，一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法，属性图采样和参数估计。对于后者，我们引入差分私有计算方法，这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验，我们表明，我们的新模型优于其最相关的同行在合成差异私人属性的社会图，保留社区结构的原始图，以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
D-Sempre: Learning Deep Semantic-Preserving Embeddings for User interests-Social Contents Modeling
社交媒体消费的指数增长需要有效的用户兴趣-社交内容建模，以实现更个性化的推荐和社交媒体摘要。然而，由于社会内容的异质性，传统的方法缺乏捕捉这些多模态数据之间隐藏的语义相关性的能力，这导致社会内容理解和用户兴趣之间的语义鸿沟。为了有效地弥合语义鸿沟，我们提出了一种新的深度学习框架，用于用户兴趣-社交内容建模。我们首先挖掘和解析数据，即文本内容，视觉内容，社会背景和社会关系，从异构的社交媒体源。然后，我们设计了一个双分支网络，将社会内容和用户映射到同一个潜在空间。特别地，该网络由大余量目标训练，该目标以端到端的方式将跨实例距离约束与实例内语义保持约束相结合。最后，学习深度语义保持嵌入（D-Sempre），并通过计算社交内容和用户之间的距离来给出排名结果。为了验证D-Sempre在用户兴趣-社交内容建模中的有效性，我们构建了一个Twitter数据集并进行了大量的实验，结果表明，D-Sempre有效地整合了来自异构社交媒体源的多模态数据，并捕捉了用户兴趣与社交内容之间隐藏的语义关联。
2018-02-18 cs.SI
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
How Far Removed Are You? Scalable Privacy-Preserving Estimation of Social Path Length with Social PaL
社会关系是人类做出信任决策的自然基础。在线社交网络（OSN）越来越多地被用于让用户基于社交关系的存在和强度来做出信任决策。虽然大多数OSN允许用户发现到其他用户的社交路径的长度，但它们以集中的方式这样做，因此要求他们依赖于服务提供商并揭示他们对彼此的兴趣。本文介绍了社会PaL，系统支持的隐私保护发现任意长度的社会路径之间的任何两个社会网络用户。我们克服了在所有相关的先前工作中遇到的自举问题，证明了社交PaL允许其用户找到长度为2的所有路径，并发现更长路径的显著部分，即使只有一小部分OSN用户在社交PaL系统中-例如，发现70%的路径，只有40%的用户。我们使用可扩展的服务器端架构和模块化的Android客户端库来实现Social PaL，允许开发人员将其无缝集成到他们的应用程序中。
2015-06-23 cs.CR cs.SI
Message in a Sealed Bottle: Privacy Preserving Friending in Social Networks
许多基于接近度的移动社交网络被开发来促进任何两个人之间的连接，或者帮助用户在一定距离内找到具有匹配简档的人。在这些应用中，一个具有挑战性的任务是保护参与者的个人资料和个人利益的隐私。在本文中，我们设计了新的机制，当给定的偏好配置文件提交的用户，搜索一个人与匹配配置文件在分散的多跳移动社交网络。我们的机制是保护隐私的：没有参与者的个人资料和提交的偏好配置文件被暴露。我们的机制在发现匹配用户的同时，在发起者和匹配用户之间建立了一条安全的通信通道，严格的分析表明，我们的机制是安全的、隐私保护的、可验证的，并且在通信和计算上都是有效的。使用真实的社交网络数据进行的广泛评估和智能手机上的实际系统实现表明，我们的机制比现有的解决方案更有效。
2012-07-31 cs.CR cs.SI
Preserving Link Privacy in Social Network Based Systems
越来越多的研究利用基于社交网络的信任关系来改善系统的功能。然而，这些系统将用户的信任关系暴露给对手，在当今社会，信任关系被认为是敏感信息。在这项工作中，我们做出了以下贡献。首先，我们提出了一种算法，扰乱了社会图的结构，以提供链接隐私，在社会图的效用略有减少的成本。第二，我们定义了一般的指标来表征扰动图的效用和隐私。第三，我们评估我们提出的算法使用现实世界的社交图的效用和隐私。最后，我们证明了我们的扰动算法在广泛的安全系统，包括西比尔防御和安全路由的适用性。
2012-08-30 cs.CR cs.SI
MPC meets SNA: A Privacy Preserving Analysis of Distributed Sensitive Social Networks
在本文中，我们正式的分布式敏感社交网络（DSSNs），其中包括网络，如敌意网络，金融交易网络，供应链网络和性关系网络的概念。与研究得很好的传统社交网络相比，考虑到网络所编织的个人的隐私问题，DSSN的研究往往更具挑战性。在目前的工作中，我们设想使用安全的多方工具和技术进行隐私保护社会网络分析在DSSNs。作为实现这一目标的一步，我们设计了有效的数据无关算法，用于计算给定DSSN的K壳分解和PageRank中心性度量。所设计的数据不经意算法可以转化为等价的安全计算协议。我们还列出了一系列需要解决的挑战，采用安全计算协议作为一个实际的解决方案，研究DSSNs。
2017-05-19 cs.CR cs.SI
A Distributed Privacy-Preserving Learning Dynamics in General Social Networks
Shandong University（山东大学）；Qilu University of Technology（齐鲁工业大学）；Beihang University（北京航空航天大学）
本文研究了一般拓扑结构下社交网络中的分布式隐私保护学习问题。代理可以通过网络相互通信，这可能导致隐私泄露，因为代理的可信度不能得到保证。给定一组产生未知随机回报的选项，每个代理都需要学习最好的一个，目的是最大化所得到的期望平均累积回报。为了实现上述目标，我们提出了一个四阶段的分布式算法，有效地利用代理之间的合作，同时为他们每个人保留本地隐私。特别地，我们的算法迭代地进行，并且在每一轮中，每个代理i）出于隐私保护的目的随机扰动其采用，ii）通过随机行走以几乎均匀的方式在社交网络上传播扰动的采用，iii）通过参考从其对等体接收到的扰动建议来选择选项，以及iv）根据其最新的奖励反馈来决定是否采用所选择的选项作为偏好。通过坚实的理论分析，我们量化的代理数量（或通信开销），隐私保护和学习效用之间的权衡。我们还进行了大量的模拟，以验证我们提出的社会学习算法的有效性。
2023-01-27 cs.AI cs.SI
PRINCE: Privacy-Preserving Mechanisms for Influence Diffusion in Online Social Networks
由于方程1中的一个关键符号错误，本文已被作者撤回。随着在线社交网络的发展，人们对如何在在线社交网络中传播影响力进行了广泛的研究，提出了许多算法和模型。然而，许多基本问题也被忽视了。其中，最重要的问题是在线社交网络中影响力传播的激励方面和隐私方面（如节点关系）。考虑到这些缺陷，并结合强大的工具，从差分隐私，我们提出了PRINCE，这是一系列的\underline{IN}流感\underline{CE}在网上社交网络的扩散，以解决问题的\underline{PR} ivacy保护机制。我们不仅从理论上证明了PRINCE的许多优良性质，而且还实现了PRINCE，以广泛地评估其性能。评估结果表明，PRINCE取得了良好的性能。据我们所知，PRINCE是在线社交网络中第一个差异化的影响力扩散机制。
2014-02-12 cs.GT cs.SI
Preserving Co-Location Privacy in Geo-Social Networks
社交网络上的人数呈指数级增长。用户每天都会分享大量的个人信息和内容。该内容可以用地理空间和时间坐标标记，这些坐标对于某些用户来说可能是敏感的。虽然用户显然需要彼此共享这些信息，但也存在对共享其信息的条件进行更大控制的实质性需求。在地理感知社交网络（GeoSN）中发布的内容通常涉及多个用户，并且其通常可由多个用户访问，而发布者不知道这些用户的隐私偏好。这使得GeoSN用户难以控制哪些关于他们的信息可用以及对谁可用。因此，缺乏保护用户隐私的手段，让人们担心隐私问题。本文讨论了一个特殊的隐私威胁，发生在GeoSN：共址隐私威胁。它涉及的信息的可用性在同一地点的多个用户在给定的时间，违背他们的意愿。解决的挑战是支持隐私，同时仍然使有用的服务。
2012-03-30 cs.CY cs.SI physics.soc-ph
Don't Believe Everything You Hear; Preserving Relevant Information by Discarding Social Information
通过社会贝叶斯学习来整合通过观察他人获得的信息可以有益于代理的性能，但也可以使人口范围的信息级联通过代理人口永久化错误信念。我们展示了代理如何通过改变他们观察他人的概率来影响观察网络，并证明了存在一个人口范围的均衡，其中社会贝叶斯更新的优点和缺点是平衡的。我们还使用相关信息的形式主义来说明负面信息级联的特点是处理越来越多的非相关信息。
2014-06-04 cs.MA cs.SI nlin.AO
Social Distancing 2.0 with Privacy-Preserving Contact Tracing to Avoid a Second Wave of COVID-19
如何在重新开放经济后避免第二波COVID-19疫情是一个紧迫的问题。SARS-CoV-2极高的基本繁殖数$R_0$（新研究显示为5.7至6.4）使挑战进一步复杂化。在这里，我们评估了社交距离2.0的影响，即接近警报（保持人际距离）加上隐私保护的联系人追踪。为了解决这一双重任务，我们开发了一个开源移动应用程序。该应用程序使用基于蓝牙的分散式联系人跟踪平台，政府或第三方无法通过该平台链接匿名用户ID。模拟结果显示，50%的社交距离2.0采用率，加上隐私保护的接触者追踪，将足以将$R_0$降低到小于1，并防止COVID-19疫情的死灰复燃。
2020-08-06 cs.CR cs.SI
Preserving Integrity in Online Social Networks
Facebook AI（脸书人工智能研究院）
在线社交网络为分享信息和自由表达提供了平台。然而，这些网络也被用于恶意目的，如散布错误信息和仇恨言论，销售非法毒品，协调性贩运或剥削儿童。本文调查了保持在线平台及其用户安全免受此类伤害的最新技术，也被称为保持完整性的问题。这项调查来自于必须打击Facebook广泛的诚信违规行为的角度。我们强调的技术，已被证明在实践中是有用的，值得从学术界的额外关注。我们没有讨论许多单独的违规类型，而是确定了社交媒体生态系统的关键方面，其中每个方面都是各种违规类型所共有的。此外，这些组成部分中的每一个都代表着一个研究和开发领域，所发现的创新可以广泛应用。
2020-09-25 cs.AI cs.SI
Preserving privacy enables "co-existence equilibrium" of competitive diffusion in social networks
随着社交媒体的出现，不同的公司经常同时推广竞争产品，以获得社交网络中用户的口碑传播和采用。对于这种竞争扩散的情况，先前的研究表明，较弱的产品将很快灭绝（即，“赢家通吃”）。然而，有趣的是，在实践中，竞争产品，如iPhone和Android手机，往往在市场上共存。这种差异可能是由许多因素造成的，例如现实世界中的用户可能由于对产品或隐私保护的不满意而不会传播其对产品的使用的现象。在本文中，我们将用户的隐私传播行为的竞争扩散的两种产品，并开发了一个问题的隐私意识的竞争扩散。然后，我们证明了隐私保护机制可以实现“共存均衡”（即，两种竞争产品在均衡中共存）在社交网络上的竞争扩散中。除了严格的分析，我们还证明了我们的结果与实验在真实的网络拓扑结构。
2019-11-02 cs.CR 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
Contagion-Preserving Network Sparsifiers: Exploring Epidemic Edge Importance Utilizing Effective Resistance
网络流行病学已经成为理解高度顶点、地理和人口社区以及社会结构中的其他不均匀性对疾病传播的影响的重要工具。然而，从现代数据集衍生的许多网络是相当密集的，例如移动网络，其中每个位置都有到大量潜在目的地的链接。减少在这些网络上模拟流行病的计算量的一种方法是稀疏化，我们根据边缘的重要性选择一个代表性的边缘子集。最近提出了一种基于边缘有效电阻的算法。我们探讨如何有效的阻力与边缘传播疾病的SI模型中的概率。我们发现，在某些情况下，这两个概念的边缘的重要性是很好的相关性，使有效的电阻计算效率代理的边缘的重要性，以流行病的传播。在其他情况下，相关性较弱，我们讨论的情况下，有效的阻力是不是一个很好的代理流行病的重要性。
2021-01-28 cs.SI physics.soc-ph q-bio.PE
On the Complexity of Community-aware Network Sparsification
研究社区感知网络稀疏化问题，即在边数与权重约束下保留各社区诱导子图的连通性或生成星性质。针对两个NP难问题，基于ETH给出紧的2^Ω(n²+c)时间下界，并分别提出Stars NWS关于反馈边数的XP算法和证明Connectivity NWS在t=1时NP难。
2024-02-23 cs.DS cs.SI
Privacy Preserving Social Network Publication Against Mutual Friend Attacks
出于研究目的发布社交网络数据引起了对个人隐私的严重关注。针对不同的攻击模式，有许多隐私保护方案。在本文中，我们介绍了一种新的隐私攻击模型，并称之为一个共同的朋友攻击。在这个模型中，对手可以通过使用他们共同的朋友数量来重新识别一对朋友。为了解决这个问题，我们提出了一个新的匿名概念，称为k-NMF匿名，即，k-匿名的共同朋友的数量，这确保存在至少k-1个其他朋友对在图中共享相同数量的共同朋友。我们设计算法来实现的k-NMF匿名性，同时保持原始的顶点集的意义上，我们允许偶尔添加，但没有删除的顶点。此外，我们给出了一个算法，以确保除了k-NMF匿名的k-度匿名。在真实数据集上的实验结果表明，该方法能够有效地保护社交网络的隐私和实用性，抵御共同好友攻击.
2013-10-11 cs.CR cs.DB cs.SI
A Privacy-Preserving Architecture for the Protection of Adolescents in Online Social Networks
在线社交网络（OSN）构成了人们日常社交活动的组成部分。具体而言，Twitter、YouTube和Facebook等主流OSN在青少年的生活中尤为突出，用于在线与他人交流、表达和娱乐自己以及查找信息。然而，青少年在使用在线平台时面临大量威胁。其中一些威胁包括攻击性行为和网络欺凌、性行为、虚假新闻和虚假活动、激进化以及个人信息和敏感内容的曝光。迫切需要家长控制工具和互联网内容过滤技术，以保护使用在线平台的弱势群体。现有的家长控制工具偶尔会侵犯青少年的隐私，导致他们使用其他沟通渠道，以避免节制。在这项工作中，我们设计和实施了一个以用户为中心的家庭咨询套件，旨在保护个人对其监护人和咨询工具本身的隐私。此外，我们提出了一个系统的过程，用于设计和开发最先进的技术和系统架构，以防止未成年人在浏览器上使用Facebook，Twitter和YouTube时暴露于众多风险和危险。
2020-09-18 cs.SI
How to Cooperate Locally to Improve Global Privacy in Social Networks? On Amplification of Privacy Preserving Data Aggregation
在许多系统中，用户的隐私依赖于参与者的数量，这些参与者共同应用某种方法来保护他们的安全。事实上，关于揭示来自一组用户的聚合数据，已经有许多经典的结果。结论通常是这样的：如果你有足够多的朋友来“聚集”这些私人数据，你就可以安全地透露你的私人信息。除了数据聚合，人们注意到，在更广泛的背景下，隐私往往可以减少到隐藏在人群中。一般来说，问题是如何创造这样的人群。这个任务在一些分布式系统中可能并不容易，其中出于实际原因，收集足够的“个体”是困难的。这样的示例是社交网络（或类似系统），其中用户仅具有有限数量的半可信联系人，并且他们的目的是以隐私保护方式揭示一些聚合数据。这在存在可能另外破坏一些用户的强大对手的情况下可能特别成问题。我们展示了两种方法，允许显着放大隐私，只有有限数量的本地操作和非常温和的通信开销。除了理论分析，我们在现实生活中的社交网络的拓扑结构上展示了实验结果，以证明我们的方法可以显着放大所选择的聚合协议的隐私，即使面对一个强大的对手的大规模攻击。然而，我们相信，我们的研究结果可以有更广泛的应用，提高系统的安全性的基础上本地信任关系。
2017-04-26 cs.SI
Preserving Core Structures of Social Networks via Information Guided Multi-Step Graph Pruning
本文提出基于信息论的多步网络剪枝框架IGPrune，通过可微优化迭代移除边以平衡结构复杂性与任务相关信息，有效保留社交和生物网络的核心结构与功能模式。
2025-10-12 cs.IT cs.SI math.IT
Impact of Social Learning on Privacy-Preserving Data Collection
我们研究了一个模型，其中数据收集器通过支付机制从用户处获取数据，旨在从引发的数据中了解底层状态。每个用户的私人信号代表了她对状态的了解;通过社交互动，每个用户还可以学习她的社交朋友的信号的嘈杂版本，这被称为“学习组信号”。多亏了社会学习，用户在私人信号之外拥有了关于国家的更丰富的信息。基于她的私人信号和学习的组信号，每个用户做出战略决策，以向数据收集器报告她的数据的隐私保护版本。我们建立了一个贝叶斯博弈论框架来研究社会学习对用户数据报告策略的影响，并据此设计了数据收集者的支付机制。我们的研究结果表明，在一般情况下，所需的数据报告策略在贝叶斯-纳什均衡的形式可以是一个对称的随机响应（SR）的战略或信息非扩散（ND）的战略。具体来说，一个广义的多数表决规则是由每个用户应用到她的嘈杂的组信号，以确定遵循哪种策略。此外，当用户使用ND策略时，她完全基于她的组信号而独立于她的私有信号来报告隐私保护数据，这指示她的隐私成本为零。我们强调，当用户使用ND策略时，报告的数据仍然是关于潜在状态的信息，因为它是基于她学习的组信号。因此，数据收集器和用户都可以从社会学习中受益，这降低了隐私成本，并有助于在给定的支付预算下改善状态估计。我们进一步推导出的最低总支付需要达到一个给定的水平的状态估计精度的界限。
2019-03-07 cs.GT cs.SI
Approximate Privacy-Preserving Neighbourhood Estimations
匿名社交网络为现有的社会网络分析技术提出了许多新的和具有挑战性的问题。传统上，用于分析图结构的现有方法，例如社区发现，需要图结构的全局知识。这意味着一个中心化的实体必须能够访问图中每个节点的边列表。这对于匿名社交网络和其他参与者重视隐私的环境是不可能的。此外，使用他们的图结构输入进行学习任务违背了匿名的目的。在这项工作中，我们假设可以重新使用HyperANF a.k.a HyperBall算法-用于近似直径估计-用于朋友推荐系统的隐私保护社区发现任务，该系统从具有有限隐私影响的社交网络图结构的匿名表示中学习。这是可能的，因为HyperBall维护的核心数据结构是一个HyperLogLog，它具有一个计数器，用于计算来自给定节点的可达邻居的数量。在未来的分散式学习部署中交换这种数据结构不会泄露关于节点邻居的信息，因此确实保护了图结构的隐私。
2021-06-19 cs.DS cs.SI
Preserving Local and Global Information for Network Embedding
诸如社交网络、飞机网络和引文网络之类的网络无处不在。网络通常是高维稀疏的，通常采用邻接矩阵来表示。然而，为了将高级机器学习算法应用于网络数据，需要低维和连续的表示。为了实现这一目标，近来提出了许多网络嵌入方法。大多数现有的方法促进了本地信息，即节点之间的本地连接，以学习表示，而完全忽略了全局信息（或节点状态），这已被证明可以促进许多网络挖掘任务，如链接预测和社交推荐。因此，它也有潜力促进网络嵌入。本文研究了网络嵌入的局部和全局信息保持问题。特别是，我们介绍了一种方法来捕获全局信息，并提出了一个网络嵌入框架的，它可以相干模型{ \bf LO}cal和{ \bf G}的信息。实验结果表明，该框架能够保持全局信息。进一步的实验进行证明所提出的框架的学习表示的有效性。
2017-10-19 cs.SI physics.soc-ph
Twitch Gamers: a Dataset for Evaluating Proximity Preserving and Structural Role-based Node Embeddings
The University of Edinburgh（爱丁堡大学）
邻近保持和基于角色的结构化节点嵌入已经成为应用图挖掘的主要工作。新的节点嵌入技术通常在一组有限的基准数据集上进行测试。在本文中，我们提出了一个新的多样化的社交网络数据集，称为Twitch Gamers，具有多个潜在的目标属性。我们对社交网络和节点分类实验的分析表明，Twitch Gamers适用于评估新型邻近保持和基于结构角色的节点嵌入算法的预测性能。
2021-02-16 cs.AI cs.LG cs.SI
Target Privacy Preserving for Social Networks
本文将密钥保护的现实场景融入到链接隐私保护中，提出了目标链接隐私保护（TPP）模型：目标链接是最重要和最敏感的目标，会被攻击者故意攻击，因此需要隐私保护，而其他隐私关注度较低的链接则被适当释放以维护图的效用。TPP的目标是通过删除一组预算有限的替代非目标链接（称为保护器）来限制目标披露，以保护所有目标的对抗性链接预测。传统的链路隐私保护以所有链路为目标，侧重于结构级保护，链路泄露严重、图效用损失大的问题仍然是当前图发布的瓶颈; TPP则侧重于目标级保护，对极小部分关键目标实施密钥保护，以实现更好的隐私保护和更低的图效用损失。目前，缺乏明确的TPP问题定义，可证明的最佳或接近最佳的保护器选择算法和可扩展的大规模社会图的实现。首先，我们介绍了TPP模型，并提出了一个相异度函数用于衡量防御能力的隐私分析的目标。通过预算分配的设置，我们考虑了两个不同的问题：1）保护所有目标，用一个预算来优化所有目标的相异性; 2）除了保护所有目标外，我们还考虑每个目标的保护，为每个目标分配一个局部预算，考虑两个局部保护器的选择。我们还实现了可扩展的实现和实验，以证明所提出的算法的有效性和效率。
2020-02-09 cs.CR cs.SI
LinkMirage: How to Anonymize Links in Dynamic Social Systems
基于社交网络的信任关系为设计可信系统提供了重要基础，如Sybil防御，安全路由和匿名/审查客户端通信。在设计这样的系统中的一个关键问题，是用户的信任的社会联系人的启示，在当今社会中被认为是敏感的敌对信息。在这项工作中，我们专注于保护用户的社交联系人的隐私的挑战，同时仍然使社会信任为基础的应用程序的设计。首先，我们提出了LinkMirage，一个基于社区发现的算法，用于在社交网络拓扑中匿名化链接; LinkMirage保留了社区拓扑中的社区结构，同时匿名化社区内的链接。LinkMirage考虑了社会网络拓扑结构的演变，并最大限度地减少由于系统的时间动态的隐私泄漏。其次，我们定义了量化的隐私和实用性的时间序列的社会拓扑与匿名链接的指标。我们从理论上分析了LinkMirage提供的隐私和实用性，以及使用现实世界的社交网络拓扑结构：Facebook数据集与870 K链接和大规模的Google+数据集与940 M链接。我们发现，我们的方法显着优于现有的最先进的。最后，我们证明了LinkMirage在现实世界中的应用，如Sybil防御，信誉系统，匿名系统和顶点匿名的适用性。我们还原型LinkMirage作为一个Facebook的应用程序，使现实世界的系统可以引导隐私保护的信任关系，而无需OSN运营商的合作。
2016-10-12 cs.SI
Private Social Network Data Sharing
在线社交网络的日益普及给最终用户带来了巨大的隐私威胁。虽然现有的工作主要集中在从社交网络中推断敏感属性，如年龄，位置和性别，很少有人做了如何保护用户的隐私，防止恶意推断。本文针对现有社交网络的隐私脆弱性，设计了一个隐私保护框架。我们评估了该框架的隐私性和有用性保证，证明了其分类和防御隐私攻击的有效性。
2017-07-26 cs.CR cs.SI
Eat the Cake and Have It Too: Privacy Preserving Location Aggregates in Geosocial Networks
地理社交网络是以用户和企业的位置为中心的在线社交网络。为有针对性的广告提供投入，分析社交网络用户成为重要的收入来源。它对个人信息的自然依赖在用户隐私与企业和地理社会网络提供商的参与激励之间引入了权衡。在本文中，我们介绍了位置为中心的配置文件（LCP），聚集在一个给定的位置存在的用户的配置文件。我们介绍PROFILR，一套机制，构造LCP在一个私人和正确的方式。我们介绍iSafe，一个新颖的，上下文感知的公共安全应用程序建立在PROFILR。我们的Android和浏览器插件实现表明PROFILR是高效的：即使在强正确性保证下，端到端开销也很小。
2013-04-12 cs.CR 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
Privacy-Preserving Nonlinear Observer Design Using Contraction Analysis
Department of Electrical Engineering & GERAD Polytechnique Montreal（电气工程系与GERAD蒙特利尔理工学院）
本文提出一种非线性隐私保护模型观测器设计方法，利用输出扰动和收缩分析实现隐私保护，通过实例展示了在动态社交网络和流行病监测中的应用。
2018-03-03 cs.IT cs.SI cs.SY
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
PrIsing: Privacy-Preserving Peer Effect Estimation via Ising Model
针对Ising模型在社交、医疗等领域应用引发的个体响应隐私泄露问题，提出一种基于目标扰动的(ε,δ)-差分隐私算法PrIsing，可单网络精确估计自然参数，推导了遗憾界并在合成及真实网络数据集上验证了性能。
2024-01-29 cs.CR cs.SI math.ST
