🤖 machine learning

EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy

EdgeRefine एक स्थानीय विभेदक गोपनीयता (local differential privacy) ढांचा है जो ग्राफ संरचना को संरक्षित करने और एज-स्तरीय विभेदक गोपनीयता को संतुष्ट करने के लिए जैकार्ड समानता-आधारित एज रैंकिंग (Jaccard similarity-based edge ranking) और अनुकूली नमूनाकरण (adaptive sampling) का उपयोग करके ग्राफ लर्निंग में गोपनीयता-उपयोगिता संतुलन को अनुकूलित करता है, जिससे यह नोड और ग्राफ वर्गीकरण कार्यों में मौजूदा विधियों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Wenxiu Ding, Muzhi Liu, Zheng Yan, Mingjun Wang, Yifan Zhao, Qiao Liu

प्रकाशित 2026-07-10

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wenxiu Ding, Muzhi Liu, Zheng Yan, Mingjun Wang, Yifan Zhao, Qiao Liu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक विशाल सामाजिक नेटवर्क का एक गुप्त नक्शा है, जैसे कि एक बड़े स्कूल में कौन किसे जानता है, उसका एक जाल। आप इस नक्शे को एक सुपर-स्मार्ट कंप्यूटर (एक ग्राफ न्यूरल नेटवर्क) के साथ साझा करना चाहते हैं, ताकि वह कुछ शानदार चीजें सीख सके, जैसे कि आगे कौन दोस्त बनेगा इसकी भविष्यवाणी करना। लेकिन एक समस्या है: यदि आप बस नक्शा सौंप देते हैं, तो कंप्यूटर आपके गुप्त संबंधों का पता लगा सकता है, जो कि गोपनीयता के लिए एक बड़ी आपदा है।

इसे रोकने के लिए, आपको आमतौर पर नक्शे को "शोर" (noise) जोड़कर बिखेरना पड़ता है—जैसे कि असली रास्तों को चमक में खो जाने देने के लिए हर जगह ग्लिटर छिड़कना। इसे डिफरेंशियल प्राइवेसी (Differential Privacy) कहा जाता है। समस्या यह है कि यदि आप बहुत अधिक ग्लिटर डालते हैं, तो नक्शा एक बेकार, धुंधला मलबे में बदल जाता है, और कंप्यूटर कुछ भी नहीं सीख पाता। यदि आप बहुत कम ग्लिटर डालते हैं, तो रहस्य अभी भी दिखाई दे सकते हैं।

यहाँ EdgeRefine आता है, जो एक नए तरीके के रूप में आपके शोर वाले नक्शे के लिए एक जादुई, सुपर-स्मार्ट फ़िल्टर की तरह काम करता है।

पुराने फ़िल्टर्स के साथ समस्या

पिछले तरीकों ने बिखरे हुए नक्शे को साफ करने के दो तरीके आजमाए जो पूरी तरह काम नहीं आए:

"अनुमान लगाओ और रखो" वाला दृष्टिकोण: कुछ तरीकों ने शोर वाले नक्शे को देखा और हर उस कनेक्शन को रखा जो वास्तविक होने की संभावना रखता था। लेकिन यह स्कूल के गलियारे में हर उस अफवाह को रखने जैसा था जो सुनने में विश्वसनीय लगती है। इसने बहुत सारे नकली दोस्तों (शोर) को बनाए रखा और नक्शे की संरचना को बिगाड़ दिया।
"बस इसे विरल (Sparse) रखें" वाला दृष्टिकोण: अन्य तरीकों ने नक्शे को छोटा रखने के लिए कनेक्शनों को बेतरतीब ढंग से काट दिया। लेकिन इसने नेटवर्क के वास्तविक आकार की अनदेखी की, जिससे अक्सर वास्तविक दोस्ती भी कट गई, जिससे कंप्यूटर भ्रमित हो गया।

पेपर स्पष्ट रूप से तर्क देता है कि ये पुराने तरीके गोपनीयता और उपयोगिता के बीच संतुलन बनाने में विफल रहते हैं। या तो वे रहस्य लीक करते हैं या नक्शे का मूल्य नष्ट कर देते हैं।

EdgeRefine कैसे काम करता है: "समानता जासूस"

EdgeRefine खेल बदल देता है क्योंकि यह दो-चरणीय प्रक्रिया का उपयोग करता है जो केवल रैंडम अनुमान लगाने के बजाय एक पहेली सुलझाने वाले जासूस की तरह महसूस होती है।

चरण 1: ग्लिटरी मैप (क्लाइंट साइड)
सबसे पहले, गुप्त नक्शा रखने वाला व्यक्ति वास्तविक कनेक्शनों को छिपाने के लिए आवश्यक प्राइवेसी ग्लिटर (शोर) जोड़ता है। यह सख्ती से इस तरह किया जाता है कि कोई भी यह साबित न कर सके कि दो विशिष्ट लोग दोस्त थे या नहीं। यह शोर वाला नक्शा सर्वर को भेजा जाता है।

चरण 2: जासूसी का काम (सर्वर साइड)
यहीं पर जादू होता है। सर्वर केवल यह अनुमान नहीं लगाता कि कौन से किनारे (edges) वास्तविक हैं। इसके बजाय, यह जैकर्ड सिमिलरिटी (Jaccard Similarity) नामक टूल का उपयोग करता है। इसे "दोस्त का दोस्त" डिटेक्टर समझें।

कल्पना कीजिए कि एलेक्स और सैम हैं। वे शायद दोस्त न हों, लेकिन यदि वे दोनों अन्य 10 समान लोगों को जानते हैं, तो वे शायद दोस्त होने चाहिए।
EdgeRefine हर किसी के लिए इस "ओवरलैप स्कोर" की गणना करता है। भले ही नक्शा ग्लिटर से ढका हो, लेकिन कौन किससे जुड़ा है इसका पैटर्न आमतौर पर कुछ हद तक दिखाई देता रहता है।
सिस्टम इन स्कोर को बकेटों (जैसे आकार के आधार पर मार्बल्स को छांटना) में समूहबद्ध करता है ताकि यह अनुमान लगाया जा सके कि कोई कनेक्शन वास्तविक होने की कितनी संभावना है।

चरण 3: प्रिसिजन फ़िल्टर (सैंपलिंग)
अब सबसे चतुर हिस्सा आता है। सिस्टम को ठीक से पता होता है कि कितना प्राइवेसी "बजट" (एक संख्या जिसे $\epsilon$ कहा जाता है) इस्तेमाल किया गया है। यह वास्तविक किनारों और नकली किनारों के सटीक अनुपात की गणना करने के लिए इस संख्या का उपयोग करता है।

यह केवल "सबसे संभावित" किनारों को बेतरतीब ढंग से नहीं चुनता है। यह निश्चित रूप से (deterministically) शीर्ष-रैंक वाले वास्तविक किनारों और शीर्ष-रैंक वाले नकली किनारों को चुनता है ताकि नक्शा भरा जा सके।
यह एक क्लब के सख्त बाउंसर की तरह काम करता है: "हमें यहाँ ठीक 1,000 लोग चाहिए। हम उन शीर्ष 800 लोगों को अंदर आने देंगे जो वहां के लगते हैं (वास्तविक किनारे) और उन शीर्ष 200 लोगों को जो वहां के हो सकते थे लेकिन बाहर निकाल दिए गए थे (नकली किनारे), हमारे सख्त नियमों के आधार पर।"
यह सुनिश्चित करता है कि नक्शा सही आकार (विरल/sparse) का रहे और बहुत अधिक शोर से न भरे।

परिणाम: एक नक्शा जो वास्तव में काम करता है

लेखकों ने साइटेशन नेटवर्क (जैसे अकादमिक पेपर) और सोशल नेटवर्क सहित वास्तविक दुनिया के डेटा पर EdgeRefine का परीक्षण किया। उन्हें यहाँ क्या मिला:

सटीकता (Accuracy): ACM नामक डेटासेट पर, जब प्राइवेसी बजट $\epsilon = 2.5$ पर सेट किया गया था, तो EdgeRefife ने पिछले सबसे अच्छे तरीके (Blink) की तुलना में कंप्यूटर की सटीकता में 17.8% का सुधार किया। Cora डेटासेट पर, इसने सटीकता में 19.7% का सुधार किया।
स्थिरता (Stability): परिणाम अविश्वसनीय रूप से स्थिर थे। जबकि अन्य तरीके बेतहाशा ऊपर-नीचे होते थे (जैसे रेखा खींचने वाला कांपता हुआ हाथ), Edge-Refine का प्रदर्शन बहुत सुचारू था, जिसमें बहुत कम विचरण (variance) था (कुछ परीक्षणों में 0.0001 जितना कम)।
गोपनीयता (Privacy):se सिस्टम मूल नक्शे को फिर से बनाने की कोशिश करने वाले हैकर्स के खिलाफ बहुत मजबूत है। भले ही हमलावरों ने डेटा को रिवर्स-इंजीनियर करने की कोशिश की, त्रुटि दर (error rate) उच्च बनी रही (Cora पर 1.0 से ऊपर का रिलेटिव एब्सोल्यूट एरर, औसत 1.962), जिसका अर्थ है कि हमला रैंडम अनुमान लगाने से बेहतर नहीं था।
गति (Speed): क्योंकि EdgeRefine नक्शे को बहुत विरल (sparse) रखता है (केवल सबसे महत्वपूर्ण कनेक्शन रखता है), कंप्यूटर बहुत तेजी से सीखता है। परीक्षणों में, इसने केवल 1.5 मिलीसेकंड से 3.4 मिलीसेकंड में प्रशिक्षण लिया, जबकि अन्य तरीकों में सैकड़ों मिलीसेकंड या सेकंड लग जाते थे।

यह पेपर किन चीजों को खारिज करता है

पेपर इस बारे में बहुत स्पष्ट है कि क्या काम नहीं करता है:

यह केवल उन किनारों को रखने वाले तरीकों को खारिज करता है जिनमें बिना किसी सख्त सैंपलिंग योजना के उच्च संभाव्यता स्कोर होता है (जैसे "Blink" विधि), क्योंकि इससे प्राइवेसी कम होने पर बहुत अधिक नकली किनारे हो जाते हैं।
यह उन तरीकों को खारिज करता है जो मूल ग्राफ की विरलता (sparsity) की अनदेखी करते हैं, क्योंकि वे ग्राफ को बहुत घना बना देते हैं और धीमा कर देते हैं।
यह सुझाव देता है कि हालांकि संभाव्यता अनुमान (probability estimation) महत्वपूर्ण है, लेकिन संभाव्यता संख्याओं की सटीक शुद्धता ही एकमात्र चीज़ नहीं है; इन नंबरों के आधार पर आप किनारों को कैसे सैंपल (चुनते) करते हैं, वही अंतर पैदा करता है।

मुख्य निष्कर्ष

EdgeRefine कोई जादुई छड़ी नहीं है जो प्राइवेसी को गायब कर देती है, बल्कि यह एक अत्यधिक प्रभावी उपकरण है जो वह "स्वीट स्पॉट" ढूंढ लेता है। यह साबित करता है कि आप डेटा से उपयोगी पैटर्न सीखने के लिए कंप्यूटर को अनुमति देते हुए, मजबूत गणितीय गारंटी के साथ लोगों के रहस्यों की रक्षा कर सकते हैं। लेखकों ने इसे कई डेटासेट्स और विभिन्न प्रकार के कंप्यूटर ब्रेन्स (GNNs जैसे GAT, GCN, और GIN) में मापा है, जिससे पता चलता है कि यह दृष्टिकोण लगातार वर्तमान अत्याधुनिक (state-of-the-art) तरीकों से बेहतर प्रदर्शन करता है।

संक्षेप में, EdgeRefine एक बिखरे हुए, शोर वाले नक्शे को लेता है और उसे उपयोग करने योग्य बनाने के लिए पर्याप्त रूप से साफ करने के लिए स्मार्ट गणित का उपयोग करता है, बिना कभी भी उसके अंदर छिपे रहस्यों को उजागर किए।

तकनीकी सारांश: EdgeRefine

समस्या विवरण

ग्राफ न्यूरल नेटवर्क (GNNs) ने ग्राफ-संरचित डेटा से सीखने में महत्वपूर्ण सफलता प्राप्त की है; हालाँकि, उनकी तैनाती गोपनीयता-संवेदनशील डोमेन में संवेदनशील लिंक जानकारी लीक होने के जोखिम के कारण बाधित है। जबकि डिफरेंशियल प्राइवेसी (DP) डेटा की सुरक्षा के लिए एक कठोर ढांचा प्रदान करती है, मौजूदा एज-लेवल DP विधियाँ गोपनीयता गारंटी और डेटा उपयोगिता (utility) के बीच संतुलन बनाने में संघर्ष करती हैं। वर्तमान दृष्टिकोणों के सामने तीन प्राथमिक सीमाएँ हैं:

विश्वसनीय किनारों (Edges) की पहचान करने में असमर्थता: मौजूदा विधियाँ अक्सर विचलित एडजेसेंसी मैट्रिक्स (perturbed adjacency matrix) में शोर (noise) से उच्च-विश्वास वाले किनारों को अलग करने में विफल रहती हैं, जिससे डाउनस्ट्रीम कार्य प्रदर्शन खराब हो जाता है।
अप्रभावी डीनोइजिंग रणनीतियाँ: संभाव्यता-आधारित डीनोइजिंग में अक्सर शोर वाले किनारों को फ़िल्टर करने के लिए मजबूत रणनीतियों का अभाव होता है। अनुमान त्रुटियां रैंडम सैंपलिंग के साथ मिलकर अस्थिर ग्राफ संरचनाओं और निम्नीकृत वर्गीकरण प्रदर्शन का परिणाम देती हैं।
संरचनात्मक विरूपण (Structural Distortion): शोर का इंजेक्शन अक्सर ग्राफ की स्पर्सिटी (sparsity) को नष्ट कर देता है, जो वास्तविक दुनिया के नेटवर्क का एक महत्वपूर्ण गुण है। इससे घने ग्राफ बनते हैं जो कम्प्यूटेशनल दक्षता को कम करते हैं और GNN मैसेज पासिंग के लिए आवश्यक संरचनात्मक अर्थ को विकृत करते हैं।

मुख्य चुनौती एक ऐसा ढांचा विकसित करना है जो प्रभावी GNN प्रशिक्षण के लिए आवश्यक स्पर्सिटी और संरचनात्मक अखंडता को बनाए रखते हुए सख्त एज-लेवल डिफरेंशियल प्राइवेसी प्रदान करे।

कार्यप्रणाली: EdgeRefine

EdgeRefine एक लोकल डिफरेंशियल प्राइवेसी (LDP) फ्रेमवर्क है जिसे क्लाइंट-सर्वर पाइपलाइन के माध्यम से शोर वाले ग्राफ एडजेसेंसी मैट्रिक्स को डीनोइज़ करने के लिए डिज़ाइन किया गया है। यह शोर वाले ग्राफ को डाउनस्ट्रीम कार्यों के लिए उपयुक्त संरचना में परिष्कृत करने के लिए एक दो-चरणीय प्रक्रिया का उपयोग करता है।

1. क्लाइंट-साइड पर्टरबेशन (Client-Side Perturbation)

क्लाइंट, जिसके पास मूल ग्राफ के साथ एडजेसेंसी मैट्रिक्स $A$ है, $\epsilon$ -एज डिफरेंशियल प्राइवेसी को संतुष्ट करने के लिए एज रैंडमाइजेशन (Edge Randomization) लागू करता है।

तंत्र: क्लाइंट एडजेसेंसी मैट्रिक्स के ऊपरी त्रिकोण (upper triangle) पर एक रैंडमाइज्ड रिस्पांस मैकेनिज्म का उपयोग करता है।
पैरामीटर्स: प्राइवेसी बजट $\epsilon$ के आधार पर, क्लाइंट फ्लिपिंग प्रोबेबिलिटी की गणना करता है: वास्तविक किनारों को बनाए रखने के लिए $p = e^\epsilon / (1 + e^\epsilon)$ और गैर-किनारों को बदलने (flipping) के लिए $q = 1 / (1 + e^\epsilon)$ ।
आउटपुट: एक सिमेट्रिक, शोर वाला एडजेसेंसी मैट्रिक्स $\tilde{A}$ उत्पन्न किया जाता है और सर्वर को प्रेषित किया जाता है।

2. सर्वर-साइड डीनोइजिंग (Server-Side Denoising)

सर्वर $\tilde{A}$ प्राप्त करता है और एक डीनोइज़्ड ग्राफ $\hat{A}$ को पुनर्गठित करने के लिए दो-चरणीय शोधन प्रक्रिया करता है।

चरण 1: जैकार्ड समानता और हिस्टोग्राम बिनिंग के माध्यम से संभाव्यता अनुमान

शोर के बावजूद किनारों के अस्तित्व की संभावना का अनुमान लगाने के लिए:

जैकार्ड समानता (Jaccard Similarity): सर्वर शोर वाले ग्राफ में नोडों के पड़ोस सेट (neighborhood sets) के आधार पर सभी नोड युग्मों $(i, j)$ के लिए जैकार्ड समानता गुणांक की गणना करता है: $J(i, j) = |N(i) \cap N(j)| / |N(i) \cup N(j)|$ । यह सामान्यीकरण रैंडम पर्टरबेशन के प्रभाव को कम करने में मदद करता है।
क्वांटाइल-आधारित बिनिंग (Quantile-Based Binning): गणना किए गए समानता मानों को एम्पिरिकल वितरण के क्वांटाइल्स का उपयोग करके $B$ बिनों में विभाजित किया जाता है। यह नॉन-पैरामीट्रिक दृष्टिकोण मैन्युअल थ्रेशोल्ड के बिना विविध ग्राफ टोपोलॉजी के अनुकूल होता है।
प्रोबेबिलिटी कैलिब्रेशन: प्रत्येक बिन के भीतर, किनारे के अस्तित्व की संभावना का अनुमान उस बिन में मौजूद कुल युग्मों के सापेक्ष देखे गए किनारों के अनुपात के रूप में लगाया जाता है। यह एक कैलिब्रेटेड प्रोबेबिलिटी मैट्रिक्स $L$ प्रदान करता है।

चरण 2: नियततम इष्टतम सैंपलिंग (Deterministic Optimal Sampling)

प्रोबेबिलिटी मैट्रिक्स को स्पर्सिटी को नियंत्रित करते हुए एक नियततम ग्राफ संरचना में बदलने के लिए:

लक्ष्य किनारों की संख्या: सर्वर एक लक्ष्य किनारों की संख्या $K = \lfloor k \times E \rfloor$ को परिभाषित करता है, जहाँ $E$ मूल किनारों की संख्या है और $k$ एक ग्लोबल सैंपलिंग दर है।
कैंडिडेट पार्टीशनिंग: किनारों को शोर वाले मैट्रिक्स $\tilde{A}$ $\tilde{A}$ के आधार पर दो सेटों में विभाजित किया जाता है:
- $E_{real}$ : देखे गए किनारे ( $\tilde{A}_{ij}=1$ )।
- $E_{fake}$ : गैर-किनारे ( $\tilde{A}_{ij}=0$ )।
चयन रणनीति: प्राइवेसी बजट से प्राप्त सैद्धांतिक वास्तविक किनारा अनुपात $\rho = e^\epsilon / (1 + e^\epsilon)$ $ρ = e^{ϵ} / (1 + e^{ϵ})$ का उपयोग करते हुए, सर्वर चुनता है:
- $E_{real}$ से शीर्ष $\lfloor \rho K \rfloor$ किनारे (प्रोबेबिलिटी $L_{ij}$ द्वारा सॉर्ट किए गए)।
- $E_{fake}$ से शीर्ष $K - \lfloor \rho K \rfloor$ किनारे (प्रोबेबिलिटी $L_{ij}$ द्वारा सॉर्ट किए गए)।
आउटपुट: चयनित किनारों का यूनियन अंतिम सिमेट्रिक एडजेसेंसी मैट्रिक्स $\hat{A}$ बनाता है। यह नियततम दृष्टिकोण सैंपलिंग वेरिएंस को समाप्त करता है और पुनरुत्पादनीय परिणाम सुनिश्चित करता है।

मुख्य योगदान

EdgeRefine फ्रेमवर्क: एक अभिनव फ्रेमवर्क जो नियततम एज रिफाइनमेंट के माध्यम से गोपनीयता और उपयोगिता के बीच संतुलन बनाता है, जो ग्राफ लर्निंग में ट्रेड-ऑफ को संबोधित करता है।
जैकार्ड-आधारित अनुमान: जैकार्ड समानता को हिस्टोग्राम बिनिंग के साथ जोड़कर किनारों के अस्तित्व की संभावना का अनुमान लगाने के लिए एक विधि, जो शोर वाले डेटा से संभावनाओं को सटीक रूप से कैलिब्रेट करती है।
रेट-नियंत्रित सैंपलिंग: एक नियततम सैंपलिंग दृष्टिकोण जो वास्तविक और गलत किनारों के अनुपात और समग्र ग्राफ स्पर्सिटी को सटीक रूप से नियंत्रित करता है, जिससे चयन संबंधी भिन्नता (selection variance) समाप्त हो जाती है।
सैद्धांतिक और अनुभवजन्य सत्यापन: कंप्यूटेशनल दक्षता और सख्त गोपनीयता अनुपालन की पुष्टि करने वाला कठोर विश्लेषण, साथ ही स्टेट-ऑफ-द-आर्ट बेसलाइन्स पर बेहतर प्रदर्शन प्रदर्शित करने वाले व्यापक प्रयोग।

प्रायोगिक परिणाम

प्रयोग तीन GNN आर्किटेक्चर (GAT, GCN, GIN) का उपयोग करके चार वास्तविक दुनिया के डेटासेट (ACM, DBLP, AMAP, Cora) पर विभिन्न प्राइवेसी बजट ( $\epsilon \in [0.5, 3.5]$ ) के तहत किए गए।

सटीकता में सुधार: EdgeRefine शोर-मुक्त बेसलाइन्स के समान सटीकता प्राप्त करता है और मौजूदा प्राइवेसी-प्रिजर्विंग विधियों से काफी बेहतर प्रदर्शन करता है।
- $\epsilon=2.5$ के तहत, EdgeRefine ने ACM (GAT) पर 17.8% और Cora (GCN) पर 19.7% की तुलना में स्टेट-ऑफ-द-आर्ट Blink बेसलाइन की तुलना में नोड वर्गीकरण सटीकता में सुधार किया।
- ग्राफ वर्गीकरण (MUTAG) में, इसने शोर-मुक्त बेसलाइन की तुलना में केवल ~5% की औसत सटीकता गिरावट हासिल की।
स्थिरता: EdgeRefine असाधारण स्थिरता प्रदर्शित करता है जिसमें प्रतिस्पर्धियों की तुलना में काफी कम वेरिएंस ( $\sigma^2$ ) और कोएफिशिएंट ऑफ वेरिएशन (CV) है। उदाहरण के लिए, ACM और DBLP पर, वेरिएंस $0.0001$ जितना कम था।
स्पर्सिटी और दक्षता: यह विधि अल्ट्रा-स्पार्स ग्राफ संरचनाओं (घनत्व $10^{-6}$ से $10^{-5}$ ) को बनाए रखती है, जो अन्य विधियों की तुलना में 2-5 ऑर्डर अधिक स्पार्स है। इसके परिणामस्वरूप प्रशिक्षण समय LDPGen जैसे तरीकों की तुलना में 3-4 ऑर्डर तेज होता है।
प्राइवेसी रेजिलिएंस: ग्राफ रिकंस्ट्रक्शन हमलों के तहत, EdgeRefine लगातार 1 से ऊपर का रिलेटिव एब्सोल्यूट एरर (RAE) बनाए रखता है (Cora पर औसतन 1.962), जो एज इंफरेंस के प्रति मजबूत प्रतिरोध का संकेत देता है।
प्राइवेसी-यूटिलिटी बैलेंस इंडेक्स (PUBI): EdgeRefine ने सभी संयोजनों में उच्चतम औसत PUBI (0.9386) प्राप्त किया, जो Blink-hybrid (0.7101) और Blink-hard (0.6902) से बेहतर रहा, जो यह दर्शाता है कि जैसे-जैसे गोपनीयता आवश्यकताएं शिथिल होती हैं, यह उपयोगिता बनाए रखने में सक्षम है।

महत्व

यह पेपर तर्क देता है कि EdgeRefine ग्राफ लर्निंग में गोपनीयता-उपयोगिता संतुलन की मौलिक बाधा को दूर करता है। एडेप्टिव एज रिफाइनमेंट के माध्यम से डीनोइजिंग प्रक्रिया को फिर से सोचकर, यह ढांचा प्रभावी मैसेज पासिंग के लिए आवश्यक संरचनात्मक अखंडता से समझौता किए बिना गोपनीयता-संवेदनशील परिदृश्यों में GNN की व्यावहारिक तैनाती को सक्षम बनाता है। लेखक दावा करते हैं कि EdgeRefine एक मजबूत समाधान प्रदान करता है जो कम्प्यूटेशनल रूप से कुशल, सैद्धांतिक रूप से सुदृढ़ और अनुभवजन्य रूप से मौजूदा स्टेट-ऑफ-द-आर्ट विधियों से श्रेष्ठ है, जो इसे वास्तविक दुनिया के गोपनीयता-संरक्षित ग्राफ विश्लेषण के लिए एक व्यवहार्य उम्मीदवार बनाता है।