DPAR：具有节点级差分隐私的解耦图神经网络

图神经网络（GNNs）在图结构数据学习中取得了巨大成功。训练好的模型也可能暴露图（包括节点特征和结构信息）的敏感信息，这引发了隐私担忧。本文旨在为 GNNs 训练实现节点级差分隐私（DP），从而保护节点及其边。节点 DP 对于 GNNs 而言 inherently 困难，因为通过逐层消息传递，所有直接和多跳邻居都参与每个节点梯度的计算，且节点的直接和间接邻居数量无界，因此现有 DP 方法会因高节点敏感度而导致高隐私成本或低效用。我们提出了一种具有差分隐私近似个性化 PageRank（DPAR）的解耦 GNN，以在增强的隐私-效用权衡下训练 GNNs。其核心思想是通过 DP PageRank 算法解耦特征投影与消息传递，该算法学习结构信息并使用由 PageRank 确定的前 $K$ 个邻居进行特征聚合。通过捕获每个节点最重要的邻居并避免逐层消息传递，该方法限定了节点敏感度，与基于逐层扰动的方案相比实现了改进的隐私-效用权衡。我们从理论上分析了两个过程结合后的节点 DP 保证，并实证表明在相同节点 DP 水平下，DPAR 比最先进方法具有更好的效用。