本文首次通过三种推理攻击来量化图嵌入中的隐私泄漏，同时提出了对应的攻击策略，包括成员推理攻击、图重构攻击和属性推理攻击，并表明图嵌入与节点属性存在强相关性，让攻击者能够推断敏感信息。

Oct, 2020

本文介绍了一种隐秘而有效的攻击方法，通过推断图结构数据中的私有连接，暴露了图神经网络（GNNs）中的隐私漏洞。我们研究了在归纳设置中，新节点加入图并使用 API 查询预测时，私有边缘信息的潜在泄露。我们还提出了在维持模型效用的同时保护隐私的方法。相比于目前的技术水平，我们的攻击在推断连接方面表现出卓越性能。此外，我们研究了将差分隐私（DP）机制应用于减轻我们提出的攻击带来影响的可行性，分析了隐私保护和模型效用之间的权衡。我们的工作强调了 GNNs 固有的隐私漏洞，凸显了开发强大的隐私保护机制在其应用中的重要性。

Jul, 2023

本文提出了一种新的网络嵌入方法 LINE，用于将大规模的信息网络嵌入到低维向量空间中，实现了节点分类，链路预测等任务。该方法优化了一个经过精心设计的目标函数，可以保留本地和全局网络结构，并提出了边缘采样算法，改进了经典随机梯度下降的限制和推理效率。经验证明了 LINE 在包括语言网络、社交网络和引用网络在内的各种真实世界的信息网络上的有效性。对于单个典型机器，该算法非常高效，可以在数小时内学习具有数百万个顶点和数十亿个边的网络嵌入。

Mar, 2015

本文提出了一种算法 Gradient Embedding Perturbation（GEP），针对训练深度学习模型时巨大的可训练参数导致 Differential Privacy（DP）机制失效的问题，通过将个体私有梯度投影到非敏感锚定子空间，并将低维梯度嵌入和小范数残差梯度分别按照隐私预算扰动，以使扰动方差保持小，从而在保持合理隐私保障的同时，实现了高精度的训练（特别是在 CIFAR10 和 SVHN 数据集上）达到了 74.9% 和 95.1% 的测试精度）。

Feb, 2021

提出一个跨网络社交用户嵌入框架 DP-CroSUE，以隐私保护的方式学习用户的全面表示，并在三个真实数据集上展示对用户兴趣预测任务的显著改进和防御嵌入式用户属性推断攻击。

Sep, 2022

本研究提出了一种名为 LDP-GE 的隐私保护图嵌入框架，通过局部差分隐私机制对节点数据进行模糊处理，并采用个性化 PageRank 作为节点表示的相似度度量，理论分析和实验证明 LDP-GE 在节点分类和链接预测任务中具有良好的隐私和效用平衡，并显著优于现有方法。

Oct, 2023

本文提出了 Adversarial Privacy Graph Embedding (APGE) 模型，它是一种图形对抗训练框架，可以学习来自图形结构数据的低维特征表征，并保护用户隐私信息，从而在解决节点分类和链接预测等任务时具有优越性能。

Aug, 2020

通过理论分析和模拟仿真，我们发现图神经网络中的结构偏差传播导致了隐私泄露问题，基于这些发现，我们提出了一个双重隐私保护框架，该框架有效地保护了节点和链接隐私，同时在节点分类等下游任务中保持高效用。

Aug, 2023

本文提出了一种基于矩阵分解的网络嵌入算法，该算法通过实现节点分离来减少不相关节点的嵌入，从而达到大规模网络的可扩展性，适用于分布式学习以及其他进一步适应性，实验结果表明，该算法在保证准确性的前提下，显著提高了大型网络的运行时间，并优于现有的基线算法。

Nov, 2018

本研究提出使用差分隐私的方法保护网络结构数据的隐私，通过注入适当的噪音以保证边隐私，改善结构学习，同时提高结构导向图的鉴别度，提高数据效用和保护个体链接隐私。通过在两个现实世界网络数据集上进行的广泛实验表明，我们的 DP-GGAN 模型能够有效地保护个体链接隐私并生成具有全局结构的图形数据。

May, 2020