基于对抗性扰动图形神经网络的隐私攻击防御策略

为了保护隐私，同时维护干扰数据效用，提出了一种基于对抗性扰动图形神经网络的隐私攻击防御策略。候选边缘选择确保扰动图不可见，图形神经网络组合优化，确保隐私得到保护和数据实用性。进一步证明扰动图结构比扰动节点特征对图形神经网络的影响更大，并且证明扰动可以在模型不可察觉性和隐私保护之间取得平衡。实验结果表明：提出方法可以同时保持图形数据的不可见性，保持目标标签分类的预测置信度并降低隐私标签分类的预测置信度。