新的 PriDyG 框架通过 LLM-GNN 协作增强动态图推理的隐私保护

研究人员开发了 PriDyG，一个新颖的隐私保护动态图推理框架。该系统结合了图神经网络 (GNN) 和大型语言模型 (LLM)，以保护不断变化的关联数据集中敏感的边信息。PriDyG 采用增量私有多跳聚合，确保无论模型更新多少次，隐私成本都保持不变，这与累积隐私损失的传统方法不同。实验表明，在相同的隐私预算下，PriDyG 的性能显著优于现有基线，实现了与朴素重新训练相当的效用，同时大幅降低了累积隐私成本。 AI

影响 增强了动态图分析的隐私保证，可能使更多敏感数据能够用于机器学习应用。

排序理由 该集群包含一篇研究论文，详细介绍了隐私保护动态图推理的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Edge-level Differentially Private Dynamic Graph Inference
• Gotit.pub
• graph neural network
• Hugging Face
• LLM
• PriDyG
• ScienceCast

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →