差分隐私作为目前国际先进的隐私保护标准，一直受到学术界和工业界的广泛关注。日前，我院科研团队与合作者创新提出了在节点差分隐私下发布图的有效方法，论文成果《Publishing Graphs under Node Differential Privacy》在国际顶级期刊IEEE  Transaction on Knowledge and Data Engineering（TKDE）上正式发表。

对于图数据，有两种广泛使用的差分隐私定义，即边差分隐私（edge-DP）和节点差分隐私（node-DP），当感兴趣的最小单位是一个节点时，首选节点-DP。为了保证节点-DP，可开发不同的方法来回答每个特定的图查询，或者开发一种图发布方法来回答所有的图查询。然而，现有研究工作中还没有这种图发布方法。

针对此难点，论文研究团队提出了两种在节点-DP下发布图的方法。一种是节点级扰动算法，该算法通过随机插入和移除节点来修改输入图；另一种是边级扰动算法，可随机地删除边和插入节点。这两种方法都可通过调整运行参数实现灵活的隐私保证。算法在真实图数据和随机生成的图数据上进行了广泛实验，结果证明了其有效性和效率。

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

截至2021年11月30日，研究院共发表/录用高水平论文61篇，其中CCF A类49篇；申请专利/PCT共26项，授权发明专利4项。