知识卡片：EdgeRefine：基于杰卡德采样的边差分隐私图隐私-效用平衡

英文标题：EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy
英文关键词：Graph Neural Networks, Edge Differential Privacy, Jaccard Sampling, Privacy-Utility Trade-off, EdgeRefine
原始来源：https://arxiv.org/abs/2607.08659v1

一句话结论

EdgeRefine 通过基于 Jaccard 相似度的自适应边细化框架，在强隐私预算（如 ε=2.5）下实现了与无噪声基线相当的图学习精度，同时显著优于现有差分隐私方法，并对图重建攻击具有很强的鲁棒性。

事件概述或研究问题

图神经网络（GNN）在处理图结构数据时取得显著成功，但在隐私敏感场景（如社交网络、医疗关系图）中，图的边可能泄露敏感链接信息。为满足边级差分隐私（Edge Differential Privacy），传统方法向邻接矩阵所有元素注入噪声，但更强隐私需要更多噪声，严重损害模型效用。隐私-效用平衡成为实际应用的主要障碍。本文提出 EdgeRefine 以改善这一权衡。

方法/产品要点

EdgeRefine 是一个局部差分隐私（Local Differential Privacy）框架，核心步骤包括：

概率估计与排序：使用 Jaccard 相似度估计每条边存在的概率，并据此对边进行排序。
自适应采样：利用隐私预算 ε 确定真假边的比率，基于概率排序分别对真边和假边进行采样。
边数控制：使用独立的采样率 k 来控制最终图中边的总数，兼顾稀疏性与可靠性。

主要结果或产业意义

节点分类：在隐私预算 ε=2.5 时，EdgeRefine 在 ACM 数据集上使用 GAT 模型将准确率提升 17.8%，在 Cora 数据集上使用 GCN 模型提升 19.7%，均优于当时最先进的基线方法。
图分类：相比无噪声基线，平均准确率下降约 5%。
抗攻击能力：在图重建攻击下，所有隐私预算下相对绝对误差（RAE）均高于 1，Cora 上平均 1.962，AMAP 上平均 1.472，表明对隐私泄露具有很强的抵御能力。
整体性能与无噪声基础几乎持平，显著超越其他隐私保护方法。

为什么重要

首次在边级差分隐私下通过自适应边细化（而非全局加噪）实现隐私-效用平衡，为社交网络分析、推荐系统、医疗图谱等隐私敏感领域的 GNN 应用提供了实用方案。其双参数（ε 和 k）控制策略在理论与实践中均具创新性。

局限与不确定性

原文未明确讨论局限性，例如 Jaccard 相似度在高稀疏图中的计算成本或对先验知识的依赖。
实验仅在有限数据集和 GNN 架构上进行，在更大规模或动态图上的泛化性需进一步验证。
局部差分隐私框架下的安全性证明细节及与中心化差分隐私的正式对比待核实。

可用于图书/PPT/简报的角度

技术亮点：将图结构中的边存在概率（通过 Jaccard 相似度）与差分隐私预算结合，实现“按重要性加噪”。
对比优势：与“均匀加噪”方法相比，EdgeRefine 在保持高精度的同时显著降低隐私损耗，适合作为隐私保护机器学习章节的案例。
可视化建议：可以绘制不同 ε 下各类方法在节点分类准确率上的柱状图，突出 EdgeRefine 的领先性能。

原始材料

论文标题：EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy
arXiv ID：2607.08659v1
作者：Wenxiu Ding, Muzhi Liu, Zheng Yan, Mingjun Wang, Yifan Zhao, Qiao Liu
发表/更新日期：2026-07-09
摘要原文及更多细节见：https://arxiv.org/abs/2607.08659v1