Nicholas D'Silva, Surya Nepal, Salil S. Kanhere · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31294 · open-access PDF
A Privacidade Diferencial (DP) tornou-se uma abordagem proeminente para proteger a liberação de dados de gráficos, mas metodologias de auditoria empírica foram amplamente desenvolvidas para conjuntos de dados de tabelas e pipelines de aprendizagem de máquina em vez de saídas estruturadas por gráficos.Apresentamos uma metodologia para auditar empiricamente os mecanismos de liberação de gráficos DP, identificando dois problemas de design de auditoria específicos de gráficos: construção de canários e seleção estatística de testemunhas.Combinamos esses componentes com um procedimento de teste estatisticamente certificado estabelecido e implementamos a metodologia resultante como um kit de ferramentas Python de código aberto.
Machine translation (Meta M2M100); the English original follows.
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
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31294, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange