作者：gufe_hfding

论文概况

今天介绍的论文是“AsgLDP: Collecting and Generating Decentralized Attributed Graphs With Local Differential Privacy”与今日凌晨讨论的论文一样（详情见前一篇帖子），基于本地差分隐私保护图数据隐私。不同的是，前一篇论文“Towards Locally Differentially Private Generic Graph Metric Estimation”更关注结构社交网络的通用型本地差分隐私保护方法，而本篇论文主要关注属性社交网络的隐私保护。

今天的这篇论文是浙江大学纪守领老师团队发表在TIFS上的论文，纪老师是一个高产的研究人员，在图数据隐私领域做了大量的工作，我关注这方面也是受到纪老师的启发，当然纪老师的研究兴趣十分宽泛也十分前沿，比如最近的可解释机器学习，图神经网络安全等，可惜我才刚起步，能够做的工作有限，在研究方面还要向纪老师这样的楷模学习。具体关于纪老师团队的情况可以到纪老师主页查看。
今天的论文以及相关的2篇论文见如下列表：

Chengkun Wei, Shouling Ji, Changchang Liu, Wenzhi Chen, Ting Wang: AsgLDP: Collecting and Generating Decentralized Attributed Graphs With Local Differential Privacy. IEEE Trans. Inf. Forensics Secur. 15: 3239-3254 (2020)
Qingqing Ye, Haibo Hu, Man Ho Au, Xiaofeng Meng, Xiaokui Xiao: Towards Locally Differentially Private Generic Graph Metric Estimation. ICDE 2020: 1922-1925
Zhan Qin, Ting Yu, Yin Yang, Issa Khalil, Xiaokui Xiao, Kui Ren: Generating Synthetic Decentralized Social Graphs with Local Differential Privacy. CCS 2017: 425-438

这三篇论文都是来自非常优秀的研究团队，第二篇已经分享过了，来自人民大学孟小峰老师团队，第三篇来自浙江大学任奎和新加坡萧小奎老师团队。这三个团队的论文都值得长期跟踪，能够借着顺风车抓住隐私领域的前沿研究。孟老师、任老师和萧老师的个人主页也值得去看看。

论文主要创新

这篇论文的主要创新就是第一次将本地差分隐私应用到属性社交网络中，基于边差分隐私对节点的属性向量（二元属性）和度进行本地差分加噪，并聚集生成模拟的属性社交网络，在生成数据时候同时考虑隐私与效用的权衡，尽可能是生成的图的属性和度分布符合原始分布，以保留更大程度的数据效用。

当然，论文结尾也提出了有趣的研究方向，一是能够将本地差分隐私扩展到不同类型的属性上，二是如何扩展为节点差分隐私，能够处理带权图、带属性的边等信息；三是如何将本地差分应用到更加复杂的机器学习领域，如图神经网络。

论文启示

除了论文结论部分提出的三个方向，一个值得做的是如何让本文的方法具备通用性，如今天凌晨发的帖子一般？对属性向量、邻接向量和度进行加噪是个值得考虑的方法。