边私有图生成器的经验审计
Empirical Auditing of Edge-Private Graph Generators
浏览论文内容
中文总结 AI 辅助
本文通过统计有效的隐私损失下界，经验审计边私有图生成器的隐私泄露，比较多种攻击并发现泄露依赖机制与网络，且学习表示揭示额外信息。
中文摘要 AI 辅助
我们通过测试边相邻输入的输出是否仍可区分，对隐私泄露进行经验审计，使用我们攻击所见证的隐私损失的统计有效下界。我们的框架通过目标边周围的几何结构比较直接边、局部结构和基于GNN的攻击。跨两个生成器和两个网络的实验表明，隐私泄露既依赖于机制也依赖于网络，学习到的表示揭示了传统局部统计未捕获的信息。
英文摘要
We empirically audit privacy leakage by testing whether outputs from edge-neighbouring inputs remain distinguishable, using statistically valid lower bounds on the privacy loss witnessed by our attacks. Our framework compares direct-edge, local-structural, and GNN-based attacks through the geometry surrounding a target edge. Experiments across two generators and two networks show that privacy leakage is both mechanism- and network-dependent, with learned representations revealing information not captured by conventional local statistics.
发表机构
- University of Oxford（牛津大学）
- Plenitude Consulting（Plenitude咨询公司）
- National Physical Laboratory（英国国家物理实验室）
- University of Edinburgh（爱丁堡大学）
- University of Warwick（华威大学）
- University of Glasgow（格拉斯哥大学）
机构由 AI 辅助整理，请以论文原文为准。
