EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy
EdgeRefine：Jaccard 采样边差分隐私的图效用平衡方法
🧭 图隐私保护 · 边缘差分隐私
State Key Laboratory of Integrated Services Networks, School of Cyber Engineering, Xidian University · School of Cyber Engineering, Xidian University
通过 Jaccard 相似度估计边概率并自适应采样，在边差分隐私下显著提升 GNN 准确率。
📌 工作参考价值（4 点）
- 用户-物品交互图添加边差分隐私时，不再均匀加噪，可先用 Jaccard 相似度评估边重要性（共现性），按隐私预算划分排名，优先保留强关联边、剔除弱关联边，再补充少量假边，大幅减少噪声注入。
- 两阶段采样控制图稀疏性：用 ε 确定真/假边比例，用采样率 k 控制总边数，这一策略可直接应用于隐私保护下的 GNN 推荐模型训练，在保证 ε-差分隐私的同时维持图质量。
- 可嵌入联邦图学习：各客户端本地应用 EdgeRefine 生成隐私保护子图后上传，降低通信噪声并提升聚合模型精度。
- Jaccard 相似度计算复杂度低，适合大规模工业图加速，可借助 MinHash 等近似算法实现高效部署。