English(EN) Bayesian Membership Privacy for Graph Neural Networks

图神经网络的新贝叶斯隐私框架

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-04 04:00

研究人员引入了贝叶斯成员隐私（BMP），这是一个用于评估图神经网络（GNN）隐私的新框架。BMP考虑了结构相关性和随机训练图采样，而这些在现有的隐私分析中常常被忽略。通过将成员推理构建为贝叶斯假设检验，BMP根据后验成员概率量化隐私，并提供比全局攻击准确率更精细的隐私泄露洞察。 AI

影响为GNN引入了一种新颖的隐私审计机制，有可能改善基于图的AI应用中的数据保护。

排序理由该集群包含一篇介绍GNN新隐私框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Sinan Y{\i}ld{\i}r{\i}m, Megha Khosla · 2026-06-04 04:00

Bayesian Membership Privacy for Graph Neural Networks

arXiv:2606.04069v1 Announce Type: cross Abstract: Existing privacy analyses for Graph Neural Networks (GNNs) largely inherit assumptions from non-graph settings, overlooking structural correlations and stochastic training-graph sampling. In particular, node-dependent priors make …