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

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

通过图发布者机制，我们提出了一种新颖的图边保护框架 (GraphPub)，既可以保护图拓扑结构，又能基本不改变数据的可用性，通过逆向学习和编码 - 解码机制，搜索一些对节点特征聚合没有太大负面影响的假边，并使用它们替换一些真实边，从而实现对图数据的发布，难以区分真假数据，实验证明我们的框架在隐私预算极低的情况下实现了接近原始图的模型准确性。

Feb, 2024

通过将符号数据嵌入超载空间（或更确切地说是 n 维庞加莱球）来学习符号数据的分层表示的方法，通过实验证明 Poincare 嵌入在具有潜在层次结构的数据上显着优于欧几里得嵌入，无论是在表示能力还是泛化能力方面。

May, 2017

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

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

提出一种隐私保护的分层模糊神经网络模型，采用两阶段优化算法，低层参数由基于交替方向乘子法的方案学习，高层协调由交替优化法处理，通过全面模拟表明该模型在回归和分类任务上均具有很好的效果

Sep, 2022

通过将词表示在双曲空间中以实现文本隐私保护，从而平衡了隐私和实用性之间的权衡，并针对作者归属问题进行了隐私试验，结果在可比的最差情况统计下获得了比欧几里得基线更高的隐私保护。

Oct, 2019

本研究提出了一种称为 MuRP 的多关系泊松球模型，用于在 Poincaré 空间中嵌入多关系图数据，并学习关系特定参数以通过 Möbius 矩阵 - 向量乘法和 Möbius 相加来转换嵌入，实验表明 Poincare 嵌入在链接预测任务中比欧几里得模型和现有嵌入方法的效果更好，特别是在低维度的情况下。

May, 2019

本文从隐私的角度研究了数据差分隐私在图结构数据上的应用，讨论了适用于图发布及其相关统计数据的差分隐私公式以及基于图的数据机器学习，包括图神经网络 (GNNs)。通过对已有工作分类以及讨论挑战和应用前景，系统化地研究了不同的图差分隐私公式，并将这些工作分为图分析任务和基于 GNNs 的图学习任务。文章最后讨论了当前领域存在的问题和未来研究的方向。

Mar, 2022