Thumbnail

Graph-based Clustering under Differential Privacy

Pinot, Rafael; Morvan, Anne; Yger, Florian; Gouy-Pailler, Cédric; Atif, Jamal (2018), Graph-based Clustering under Differential Privacy, dans Globerson, Amir; Silva, Ricardo, Uncertainty in Artificial Intelligence (UAI) - Proceedings of the Thirty-Fourth Conference (2018), AUAI Press : Corvallis (Oregon, USA), p. 329-338

Voir/Ouvrir
Type
Communication / Conférence
Date
2018
Titre du colloque
Conference on Uncertainty in Artificial Intelligence (UAI 2018)
Date du colloque
2018-08
Ville du colloque
Monterey, California
Pays du colloque
United States
Titre de l'ouvrage
Uncertainty in Artificial Intelligence (UAI) - Proceedings of the Thirty-Fourth Conference (2018)
Auteurs de l’ouvrage
Globerson, Amir; Silva, Ricardo
Éditeur
AUAI Press
Ville d’édition
Corvallis (Oregon, USA)
Pages
329-338
Métadonnées
Afficher la notice complète
Auteur(s)
Pinot, Rafael
Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision [LAMSADE]
Morvan, Anne
Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision [LAMSADE]
Yger, Florian cc
Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision [LAMSADE]
Gouy-Pailler, Cédric cc
Laboratoire d'Intégration des Systèmes et des Technologies [LIST (CEA)]
Atif, Jamal
Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision [LAMSADE]
Résumé (EN)
In this paper, we present the first differentially private clustering method for arbitrary-shaped node clusters in a graph. This algorithm takes as input only an approximate Minimum Spanning Tree (MST) T released under weight differential privacy constraints from the graph. Then, the underlying nonconvex clustering partition is successfully recovered from cutting optimal cuts on T. As opposed to existing methods, our algorithm is theoretically well-motivated. Experiments support our theoretical findings.
Mots-clés
graphs