隐私保护图预训练模型

免数据共享协同

一种新型隐私保护算子，可在图对比学习预训练中消除高风险私有连边，同时保持模型泛化能力，实现图数据的安全协作。

Xu, Jiarong · Wang, Jiaan · Zhou, Zenan · Lu, Tian

INFORMS Journal on Computing 2026

技术优势

消除高风险私有连边

通过新型隐私保护算子，在预训练中主动移除泄露风险高的连边，从而在模型层面降低隐私暴露机率。

泛化能力可学习

引入泛化性学习方法，通过模拟多样化环境并学习不变表征，提升模型在用户未见数据上的适应能力。

隐私与效用双优

实验表明，该模型在隐私保护和泛化能力之间达到了比现有最优方法更佳的平衡。

应用场景

• 隐私保护图神经网络：无需共享原始图即可训练可用的 GNN，适用于对数据出域敏感的机构。
• 跨机构图数据协作：各机构仅交换模型而非数据，在保护各自隐私的同时实现协同分析。
• 安全多方图学习：通过模型查询接口提供知识服务，避免多方向第三方或彼此暴露原始图信息。
• 图隐私计算：在预训练阶段直接消除高风险连边，从模型源头降低隐私泄露风险。