연구진이 그래프 데이터 학습 시 프라이버시 보호와 유틸리티 확보의 균형을 맞추는 EdgeRefine 프레임워크를 제안했어요. EdgeRefine은 Jaccard 유사성을 활용해 에지 존재 확률을 추정하고, 노이즈를 주어 에지를 제거하는 방식으로 작동해요.
EdgeRefine은 프라이버시 예산($ε$)을 활용해 실제 에지와 가짜 에지의 비율을 결정하고, 샘플링 비율 $k$로 전체 에지 수를 제어해요.
실험 결과, EdgeRefine은 기존 방식 대비 노드 분류 정확도가 최대 19.7% 향상됐고, 그래프 분류 정확도 손실은 평균 5% 수준으로 나타났어요.