近日，计算机科学与技术学院/人工智能学院刘上老师在联邦图分析与隐私保护领域取得新进展，研究成果《Federated Graph Analytics with Differential Privacy》被国际权威期刊IEEE Transactions on Dependable and Secure Computing（TDSC）接收录用。该论文由刘上老师担任第一作者，合作者包括来自东京科学大学、统计数理研究所、浙江大学等国内外高校和科研机构的研究人员。论文聚焦多机构协同图数据分析中的隐私保护问题，面向社交网络、金融交易网络、医疗网络等图数据分散存储于不同机构的实际场景，研究如何在不泄露各参与方敏感信息的前提下实现跨机构联合图分析。
研究成果
传统差分隐私图分析方法主要面向集中式数据场景，而在多机构协同环境中，各参与方通常只能掌握全局图的局部结构，不同机构持有的子图之间还可能存在信息重叠，使得传统方法难以兼顾分析结果的准确性与隐私保护。针对这一问题，研究团队提出联邦图分析（Federated Graph Analytics，FGA）研究范式，将联邦分析与差分隐私技术引入复杂图数据分析，为多机构在“数据不直接共享”的条件下开展隐私保护图分析提供新的技术思路。在此基础上，研究团队提出联邦图分析框架FEAT。该框架通过对分布式图结构进行隐私保护处理，支持度分布、子图计数等多种下游图统计分析任务，并提供严格的差分隐私保护。进一步针对多机构子图之间的信息重叠及其造成的重复扰动问题，研究团队提出优化框架FEAT+，通过基于节点度的图划分机制更加有效地利用各参与方的真实局部子图信息，在保障隐私的同时提升分析结果的准确性。
该研究为隐私保护条件下的跨机构图数据协同分析提供了新的解决方案，可为金融机构联合交易网络分析、跨平台社交网络分析、医疗机构疾病传播网络分析等场景提供技术支撑，也为联邦分析、图数据管理与差分隐私技术的进一步融合提供了新的研究方向。
IEEE Transactions on Dependable and Secure Computing（TDSC）是IEEE计算机学会在网络与信息安全领域的A类国际学术期刊，主要发表计算机系统安全、隐私保护、可信计算等领域的高水平研究成果。
近年来，计算机科学与技术学院/人工智能学院持续围绕数据安全、隐私计算、人工智能安全等前沿方向开展科研攻关，积极推动国际学术交流与合作，不断提升学院在网络空间安全与人工智能领域的科研创新能力和学术影响力。
