审计发现图差分隐私实现参数高于声称值

该研究针对图结构数据的差分隐私（DP）发布机制提出了一套实证审计方法论，并发布了配套的开源 Python 工具包。作者指出，现有的审计方法多基于表格数据和机器学习流水线，缺乏针对图结构的特定设计，因此识别出“金丝雀构建”和“见证统计量选择”两个关键问题。通过对已发布的 Node-DP 最先进图发布机制进行审计，研究在一系列合成与现实世界的金丝雀对中获得了认证的下界，这些下界均超过了声称的隐私参数 ε 值。 审计结果显示，所验证的实现存在违反声称保证的情况，且这种违规现象在输入域受到更严格限制（如要求非空图和连通图）时依然存在。此外，研究强调见证统计量的选择对是否检测到违规具有实质性影响，表明在审计 DP 图发布机制时，必须评估多样化的统计量组合，单一指标可能导致误判。 事实层面，该论文已在 arXiv 发布并获 AISC '27 接收，提供了可复现的工具和具体的反例证据。推断层面，这意味着当前部分图数据发布的隐私保护声明可能过于乐观，实际风险高于理论承诺。猜测层面，若行业广泛采用此类审计工具，可能会迫使相关机构重新校准其隐私预算参数或改进算法实现，但这取决于后续更多独立研究的验证与采纳情况。