Newest papers

Practical Auditing of Differentially Private Graph Release Mechanisms: Methodology, Toolkit, and Case Study

Nicholas D'Silva, Surya Nepal, Salil S. Kanhere · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31294 · open-access PDF

Spanish

La privacidad diferencial (DP) se ha convertido en un enfoque prominente para proteger las publicaciones de datos de gráficos, pero las metodologías de auditoría empírica se han desarrollado en gran medida para conjuntos de datos de tablas y tuberías de aprendizaje automático en lugar de los resultados estructurados en gráficos. Presentamos una metodología para la auditoría empírica de los mecanismos de publicación de gráficos de DP, identificando dos problemas de diseño de auditoría específicos de gráficos: construcción de canarios y selección estadística de testigos. Combinamos estos componentes con un procedimiento de prueba estadísticamente certificado establecido e implementamos la metodología resultante como un kit de herramientas de Python de código abierto.

Machine translation (Meta M2M100); the English original follows.

Abstract

Differential Privacy (DP) has become a prominent approach for protecting graph data releases, yet empirical auditing methodologies have largely been developed for tabular datasets and machine learning pipelines rather than graph-structured outputs. We present a methodology for empirically auditing DP graph release mechanisms, identifying two graph-specific audit design problems: canary construction and witness statistic selection. We combine these components with an established statistically certified testing procedure and implement the resulting methodology as an open-source Python toolkit. T

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange