【EPFL】最新《图深度学习隐私保护》报告，60页ppt

图是一种普遍存在的数据结构，它可以表示不同实体之间丰富的关系信息。在社交网络中建立友好关系，预测蛋白质与蛋白质的相互作用，学习分子指纹，以及分类疾病，这些都是通过通过图表数据进行学习而成为可能的任务。在过去的几年里，随着图深度学习模型——图神经网络(graph neural network, GNNs)的出现，图机器学习研究发生了革命性的变化。图神经网络在各种下游任务的图表示自动学习方面表现出了卓越的性能。然而，当图形代表敏感互动或包含个人信息时，通过图学习可能会引起隐私问题。先前关于保护隐私的机器学习的工作已经在处理欧几里得数据(如图像、音频和文本)时提出了保护用户隐私的有效解决方案，但由于图节点之间存在连接性，在图上应用深度学习算法涉及的隐私问题往往更具挑战性。本讲座旨在介绍图神经网络，以及在敏感图上应用GNNs的潜在隐私风险。然后，将概述可能的隐私攻击的GNN和建立隐私保护GNN的最新尝试。

https://sajadmanesh.com/talks/2020-12-09-IPCLab/