多视角图特征传播：用于隐私保护与特征稀疏性

图神经网络（Graph Neural Networks, GNNs）在处理具有关系结构的节点分类任务方面显示出巨大的成功，但其有效性往往取决于完整节点特征的 availability。在许多实际场景中，特征矩阵高度稀疏或包含敏感信息，从而导致性能下降和隐私风险增加。此外，直接暴露信息可能导致意外的数据泄露，使对手能够推断出敏感信息。为解决这些挑战，我们提出一种新型的多视角特征传播（Multi-view Feature Propagation, MFP）框架，以增强在特征稀疏情况下的节点分类，同时促进隐私保护。MFP 将传统的特征传播（Feature Propagation, FP）扩展为将可用特征划分为多个带高斯噪声的视角，每个视角独立通过图拓扑结构进行信息传播。聚合后的表示可产生具有表达力和鲁健性的节点嵌入。该框架在两个方面都具有新颖性：它引入一种在极端稀疏性下提高鲁健性的机制，以及一种原则性的方法来平衡实用性与隐私。广泛的实验结果表明，MFP 在节点分类任务中超越了领先的基线方法，同时显著降低了隐私泄露。此外，我们的分析表明，传播的输出可作为原始特征的替代性插值，而非重建，从而在不损害隐私的前提下保持实用性。全面的灵敏度分析进一步确认了 MFP 在不同情景下的稳定性和实际适用性。总体而言，MFP 提供了一种有效且注重隐私的图学习框架，适用于特征缺失或敏感的领域。