یکی از چالشهای بزرگ در شبکه عصبی گراف (GNN)، حفظ حریم خصوصی کاربران بدون کاهش دقت مدل است. معمولاً افزودن نویز برای محافظت از دادهها، کیفیت خروجی را به شدت پایین میآورد.
محققان در پژوهش جدیدی فریمورک «EdgeRefine» را معرفی کردهاند که با استفاده از تکنیکهای هوشمندانه «Jaccard Sampling»، به جای نویز خالص، یالهای گراف را بهصورت آداپتیو اصلاح میکند. این یعنی میتوانید بدون افشای روابط حساس، دقت مدلهای هوش مصنوعی خود را در سطح بسیار بالایی حفظ کنید. این دستاورد، گامی مهم برای کاربردهای امنیتی گرافمحور در علوم داده است! 📊🛡️
منبع: arXiv Machine Learning