Efficient and Privacy-Preserving Subgraph Matching Queries in Graph Federation
Notice bibliographique
Résumé
Graph technology has been attracting interest due to its ability in modeling complex network and real-world relationships in various applications. Subgraph matching queries are useful tools that can be used to extract structural insights from graph dataset. As the accuracy of subgraph matching queries increases with graph size, it is natural to consider providing subgraph matching query services over a graph federation, which can form a larger graph by combining graphs from multiple data owners. However, the downside combining data is that it may provoke privacy concerns related to the graph datasets and user queries. Although many schemes have been proposed for privacy-preserving subgraph matching queries, they either cannot be extended to graph federation scenarios or do not consider query privacy. Aiming at this challenge, in this paper we construct an efficient and privacy-preserving subgraph matching query scheme in graph federation with two data owners. In the proposed scheme, the two data owners jointly compute the neighboring signatures of all vertices without disclosing their graph datasets to each other. Upon receiving a subgraph matching query, the data owners together respond with a subgraph which includes all subgraphs matching the pattern in the combined graph. Security analysis shows that our proposed scheme can well preserve data and query privacy. Extensive experiments further demonstrate that the scheme is efficient in terms of computation and communication.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,008 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».