GCON: Differentially Private Graph Convolutional Network via Objective Perturbation

图卷积网络（GCNs）是一种流行的机器学习模型，广泛应用于图分析领域，包括医疗保健、交通运输和金融等。与其他神经网络类似，GCN 可能通过其模型权重记忆训练数据的部分内容。因此，当底层图数据包含个人关系等敏感信息时，没有隐私保护措施的 GCN 可能被利用来提取私人数据，导致潜在的违反 GDPR 等隐私法规的行为。为了防范此类攻击，一种有前途的方法是使用差分隐私（DP）来训练 GCN，这是一个严格的框架，通过向训练模型权重注入随机噪声来提供强大的隐私保护。然而，在 DP 下训练大型图神经网络是一个非常具有挑战性的任务。现有的解决方案要么在图拓扑中引入随机扰动，导致网络的消息传递严重扭曲，要么在每个邻域聚合操作中注入随机性，导致 GCN 执行多层聚合时噪声规模很高。受此启发，我们提出了 GCON，一种新颖有效的解决方案，用于训练具有边界差分隐私的 GCN。其主要思想是将 GCN 训练过程转化为凸优化问题，然后应用扰动目标函数的经典思想来满足 DP。使用多个基准数据集的广泛实验表明，在各种设置下，GCON 的性能始终优于现有解决方案。

在GCN模型中加入隐私保护，防止模型泄露敏感信息，以满足隐私法规要求。

提出了一种新的方法GCON，将GCN的训练过程转化为凸优化问题，并通过扰动目标函数来满足差分隐私。

实验结果表明GCON在多个基准数据集上表现出一致且优异的性能，比现有解决方案更有效。

在GCN隐私保护方面，已有的解决方案要么引入随机扰动导致网络信息传递失真，要么在每个邻域聚合操作中注入随机性导致高噪声比例。