Data Privacy Protection Model Based on Graph Convolutional Neural Network

Der Artikel stellt ein Datenschutzmodell vor, das auf Graph Convolutional Neural Networks (GCNs) basiert, um den wachsenden Bedenken der Datenschutzbedrohungen in maschinell lernenden Cloud-Diensten Rechnung zu tragen. Sie unterstreicht die Schwachstellen nicht vertrauenswürdiger Cloud-Dienste und die Notwendigkeit robuster Methoden zum Schutz der Privatsphäre. Der Autor schlägt eine differenzielle Datenschutzmethode, DP-GCN, vor, die in die Gewichtsparameter von GCN-Modellen lapplazianisches Rauschen einbringt, um ε-differenzielle Privatsphäre zu erreichen. Das Modell balanciert effektiv Datenschutz und Vorhersagegenauigkeit aus und leistet damit einen bedeutenden Beitrag zum Bereich des sicheren maschinellen Lernens. Der Artikel enthält auch eine detaillierte Analyse der globalen Sensibilität und des Datenschutzbudgets, die die Fähigkeit des Modells demonstriert, den Datenschutz adaptiv zu schützen und gleichzeitig einen hohen Nutzen zu gewährleisten. Experimentelle Ergebnisse zu verschiedenen Datensätzen bestätigen die Effektivität und Robustheit der DP-GCN-Methode und machen den Artikel zu einer wertvollen Ressource für Forscher und Praktiker im Bereich des maschinellen Lernens und des Datenschutzes.