Hacia marcos unificados para redes neuronales de grafos justas y que preservan la privacidad

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Privacidad de Datos

Sus antecedentes:

• Las redes neuronales de grafos (GNN) en aplicaciones críticas plantean preocupaciones sobre la justicia y la privacidad.
• Los métodos existentes abordan la justicia y la privacidad de forma independiente, creando conflictos.
• Los métodos de justicia basados en la distancia pueden aumentar inadvertidamente los riesgos de privacidad, como la inferencia de atributos.

Objetivo del estudio:

• Proponer un marco unificado, FPGNN, para GNN justas y que preservan la privacidad.
• Introducir PL-FPGNN para manejar atributos sensibles ruidosos bajo Privacidad Diferencial Local (LDP).
• Demostrar teórica y empíricamente la efectividad de los métodos propuestos.

Principales métodos:

• Desarrolló FPGNN utilizando un enfoque de ranking diferenciable para la justicia individual.
• Implementó entrenamiento adversarial dentro de FPGNN para proteger la información sensible en las incrustaciones.
• Introdujo la corrección hacia adelante en PL-FPGNN para abordar el ruido en los atributos protegidos por LDP.

Principales resultados:

• FPGNN logra justicia individual basada en rankings, evitando la amplificación de fugas de privacidad.
• PL-FPGNN maneja de manera robusta los atributos sensibles ruidosos.
• Los experimentos muestran que FPGNN y PL-FPGNN equilibran la justicia, la privacidad y la precisión predictiva.

Conclusiones:

• El marco FPGNN propuesto ofrece una solución unificada para la justicia y la privacidad en GNN.
• PL-FPGNN proporciona un método robusto para escenarios con atributos sensibles ruidosos.
• El enfoque de justicia basado en rankings es teóricamente sólido y prácticamente efectivo.