差分(fēn)隐私作(zuò)爲目前國(guó)際先進的隐私保護标準，一直受到學術(shù)界和工(gōng)業界的廣泛關注。日(rì)前，我院科(kē)研團隊與合作(zuò)者創新提出了在節點差分(fēn)隐私下發布圖的有效方法，論文成果《Publishing Graphs under Node Differential Privacy》在國(guó)際頂級期刊IEEE  Transaction on Knowledge and Data Engineering（TKDE）上正式發表。

對于圖數據，有兩種廣泛使用的差分(fēn)隐私定義，即邊差分(fēn)隐私（edge-DP）和節點差分(fēn)隐私（node-DP），當感興趣的最小單位是一個節點時，首選節點-DP。爲了保證節點-DP，可(kě)開發不同的方法來(lái)回答每個特定的圖查詢，或者開發一種圖發布方法來(lái)回答所有的圖查詢。然而，現有研究工(gōng)作(zuò)中還(hái)沒有這種圖發布方法。

針對此難點，論文研究團隊提出了兩種在節點-DP下發布圖的方法。一種是節點級擾動算法，該算法通過随機(jī)插入和移除節點來(lái)修改輸入圖；另一種是邊級擾動算法，可(kě)随機(jī)地删除邊和插入節點。這兩種方法都(dōu)可(kě)通過調整運行參數實現靈活的隐私保證。算法在真實圖數據和随機(jī)生(shēng)成的圖數據上進行了廣泛實驗，結果證明了其有效性和效率。

https://ieeexplore.ieee.org/document/9619911

截至2021年(nián)11月30日(rì)，研究院共發表/錄用高水平論文61篇，其中CCF A類49篇；申請(qǐng)專利/PCT共26項，授權發明專利4項。