典型文献
面向去中心化双重差分隐私的谱图卷积神经网络
文献摘要：
图卷积神经网络是一种面向多任务且应用广泛的深度学习模型.文章研究了去中心化场景中谱域图卷积神经网络节点关系信息和节点特征信息的保护问题,提出双重差分隐私保护机制下的谱图卷积神经网络DDPSGCN.在给定隐私预算总额的条件下对拉普拉斯机制和高斯机制进行隐私预算分配,并通过隐私损失和Chernoff界理论进行参数估计.在两大分布噪声扰动作用基于不同图数据信息的隐私保护下,文章提出基于区块链去中心化差分隐私处理机制的图卷积神经网络训练算法.实验表明文章采用的去中心化双重差分隐私机制,能够在半监督节点分类任务准确率下降1％以内的前提下确保原始数据隐私不泄露,相较于单隐私保护机制有着更高的隐私保护效率和更强的对抗攻击鲁棒性.
文献关键词：
双重差分隐私;去中心化差分隐私;谱图卷积神经网络模型;区块链
中图分类号：
作者姓名：
刘峰;杨成意;於欣澄;齐佳音
作者机构：
华东师范大学计算机科学与技术学院,上海200062;上海对外经贸大学人工智能与变革管理研究院,上海 200336;上海对外经贸大学统计与信息学院,上海 201620
文献出处：
引用格式：
[1]刘峰;杨成意;於欣澄;齐佳音-.面向去中心化双重差分隐私的谱图卷积神经网络)[J].信息网络安全,2022(02):39-46
A类：
双重差分隐私,DDPSGCN,Chernoff,去中心化差分隐私,谱图卷积神经网络模型
B类：
多任务,深度学习模型,谱域图卷积,网络节点,节点关系,节点特征,特征信息,保护问题,差分隐私保护,隐私保护机制,总额,拉普拉斯机制,隐私预算分配,参数估计,噪声扰动,图数据,私处,处理机制,神经网络训练,训练算法,明文,隐私机制,半监督节点分类,分类任务,原始数据,数据隐私,保护效率,对抗攻击
AB值：
0.21041
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
