DESIGN：通过服务端输入图剪枝实现加密图神经网络推理

图神经网络（GNN）在各种基于图的学习任务中取得了最先进的性能。然而，在加密域（例如在全同态加密（FHE）下）实现隐私保护的GNN通常会带来巨大的计算开销，使得实时且隐私保护的推理变得不切实际。在这项工作中，我们提出了DESIGN（通过服务端输入图剪枝实现加密GNN推理），一个用于高效加密GNN推理的新型框架。DESIGN解决了现有FHE GNN方法的关键效率限制，这些方法常常忽略输入数据冗余并采用统一的计算策略。我们的框架通过完全在服务端执行的分层优化策略实现了显著的性能提升：首先，根据加密图计算与FHE兼容的节点重要性分数（基于加密的度统计）。然后，这些分数指导一个同态划分过程，直接在FHE下生成多级重要性掩码。这个动态生成的掩码促进了输入图剪枝（通过逻辑移除不重要元素）和一种新颖的自适应多项式激活方案，其中激活复杂度根据节点重要性级别进行调整。实验评估表明，与最先进的方法相比，DESIGN显著加速了FHE GNN推理，同时保持了有竞争力的模型精度，为安全的图分析提供了一个稳健的解决方案。我们的实现已在 https://github.com/LabRAI/DESIGN 公开。