本文提出了一种基于节点差分隐私的非参数块模型逼近算法，可以保护个体成员隐私信息而又能在保证正确性的前提下对高维稀疏网络的多路径割进行估算，并给出了误差界限。

Jun, 2015

首次开发纯节点差分隐私算法，用于学习随机块模型和多项式时间估计图论，其统计效能保证与先前最佳的信息理论（指数时间）节点私有机制相匹配。该算法基于一个指数机制，用于基于二次优化的得分函数，其水平取决于区块数。我们结果的关键要素是：（1）在可双重随机矩阵的多面体上进行的一个二次优化问题，描述了区块图模式之间的距离；（2）多项式优化在任意多面体上的通用二次收敛结果；（3）对得分函数进行利普希茨扩展的通用方法，作为二次优化算法范例的一部分。

Mar, 2024

差分隐私在学习表格、图像和序列数据等地方应用广泛，但在图神经网络中的节点级隐私方面仍面临挑战。本研究提出了一个解决节点级隐私问题的方案，包括异泊松采样和使用对称多元拉普拉斯噪声的随机化程序。实验证明该方案在高隐私条件下表现出显著优势，并经过隐私审计技术的验证。此外，本文还对某方法的节点级隐私保护进行了研究，发现其存在基本隐私缺陷，并证明了实现（强）隐私和（可接受的）效用是不可能的。

Nov, 2023

我们提出了一个基于图神经网络的学习框架，该框架可以在用户层面提供节点隐私，并且在损失效用性方面表现较低。我们使用分布式隐私保护的概念，并在节点水平对特征和标签数据应用随机化机制，在数据被中央服务器收集用于模型训练之前进行扰动。通过随机化数据的统计分析中的频率估计，我们开发了重构方法来逼近扰动数据的特征和标签。我们还形成了利用图聚类的频率估计来在子图层面监督训练过程的学习框架。在真实数据集和半合成数据集上进行了大量实验，证明了我们提出模型的有效性。

Sep, 2023

在本研究中，我们考虑了一种本地模型，提出了使用局部差分隐私的子图计数算法，包括三角形计数和 K 星计数，并证明了另一个轮可以显著提高效用，在实验中表明可以在局部差分隐私模型中准确估计子图计数。

Oct, 2020

该研究提出了首个用于私有网络中寻找最密子图的差分隐私算法，并展示了该算法在实际网络中隐私和准确性之间的权衡。

May, 2021

本文研究了节点数据隐私的问题，并提出了一种基于局部差分隐私的 GNN 学习算法和一个名为 KProp 的简单图卷积层作为降噪机制，实验表明该方法在低隐私损失的同时可以保持令人满意的准确性。

Jun, 2020

研究如何使用 Laplace 机制以不确定的理论基础为代价，在一个期望极大化框架内，通过使用集体图模型的形式化方法对真实充分的统计数据进行推理，以解决学习离散的，无向的图模型的问题，以在合成数据和真实的人员流动数据案例研究中获得比竞争方法更好的模型。

Jun, 2017

本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

Jun, 2023

研究深度学习模型在保护隐私方面的挑战，尤其是在图形结构数据上应用差分隐私随机梯度下降来防止训练数据泄漏。这篇论文提出通过在给定训练图的不相交子图上训练图神经网络来解决这个问题，并且进行了大量实验来验证方法的有效性。

Jan, 2023