在局部差分隐私保护下，利用加密技术辅助图度序列的发布

《ACM Transactions on the Web》：Crypto-Assisted Graph Degree Sequence Release under Local Differential Privacy

差分隐私框架CADR-LDP通过加密辅助的阈值选择与低度优先的边添加策略，有效解决了图度序列发布中噪声与通信成本平衡问题。理论验证满足ε-节点局部差分隐私，实验证明在8个数据集上优于现有方法。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

给定一个在某个域中定义的图G，我们研究了局部差分隐私机制，用于发布一个能够准确近似实际度分布的度序列。$G$。现有的解决方案大多使用基于边删除过程的图投影技术，并通过阈值参数θ来限制节点的度。然而，这种方法在阈值参数的选择上存在一个根本性的权衡：较大的θ值会在发布的度序列中引入大量噪声，而较小的θ值则会移除过多的边。此外，选择θ还会导致过高的通信成本。为了解决现有解决方案的不足，我们提出了CADR-LDP，这是一个结合了加密技术和差分隐私机制的高效框架，用于发布度序列。在CADR-LDP中，我们首先使用加密辅助的最优θ选择方法来选择通信成本较低的最优参数。然后，我们使用LPEA-LOW方法在局部投影过程中为每个节点添加一些边。LPEA-LOW优先考虑低度节点的投影，这样可以为这些节点保留更多的边并减少投影误差。理论分析表明，CADR-LDP满足?节点局部差分隐私要求。在八个图数据集上的实验结果表明，我们的解决方案优于现有方法。

AI摘要

AI生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现内容的相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍是论文的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的简单语言摘要，您必须具有高级访问权限。