个性化差分隐私图神经网络

低度节点效用提升

按节点度数分配隐私预算，为低度节点提供更强的效用保障，同时通过加权聚合保持模型精度。

Yuan, Yanli · Dian, Lei · Zhang, Chuan · Zehui, Xiong · 李春海 · 祝烈煌

IEEE/CAA Journal of Automatica Sinica 2025

参数信息

验证数据集数量

4

技术优势

低度节点效用更高

按节点度数个性化分配隐私预算，使邻居较少的节点也能获得足够的隐私保护而不牺牲太多精度。

模型精度有保障

集成加权聚合机制，在个性化差分隐私下仍能保持较高的模型准确率。

隐私与效用可平衡

理论分析证明 PDPGNN 能达到 e-差分隐私，为图数据提供可证明的隐私保障，同时保持数据效用。

应用场景

• 图数据隐私保护：为图结构数据提供可证明的隐私保护，适用于需要发布或共享敏感图数据的场景。
• 社交网络分析：在保护用户关系隐私的同时，仍能进行准确的社交网络结构分析与节点属性推断。
• 推荐系统：在用户-物品交互图上训练推荐模型，防止用户偏好泄露，同时保持推荐质量。