近日，我校计算机与网络空间安全学院2020级硕士研究生李啸林等人共同完成的研究论文“Differential privacy preservation for graph auto-encoders: A novel anonymous graph publishing model”和“Graph Reconfigurable Pooling for Graph Representation Learning”先后发表于学术期刊《Neurocomputing》（IF=5.779）和《IEEE Transactions on Emerging Topics in Computing》(IF=6.595)上。我校为该研究工作的第一完成单位，许力教授为通讯作者，该研究得到国家自然科学基金委、福建省教育厅、福建省科技厅和福建省财政厅等单位的资助。

 这两项研究都是在实际复杂网络环境下对图神经网络模型进行优化设计研究，其中第一项研究提出了一种隐私图发布模型（DP-DGAE），用于发布满足ε-差分隐私的社会网络拓扑图。DP-DGAE通过将一个匿名图发布问题转化为图生成模型的隐私保护问题，使用图生成模型来解决匿名图重构困难的问题。其次，使用多任务学习优化生成模型输出的隐私性与可用性，使得所发布的匿名图在隐私性与可用性之间取得平衡。通过实验，将所提出的模型与其他方法进行比较，体现了所提出模型具有的优势。

 论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0925231222014898

 第二项研究提出了一种新的图池化算法（RecPool），用于完成生化网络的分类任务。RecPool通过模拟图构成的过程，并使用变分图自编码器对每一类节点的概率分布进行建模，捕捉到了每一类节点在构成图过程中所发挥的作用。通过在真实生化网络中的对比实验以及化合物原子的分类情况，体现了所提出模型具有的优势。

 论文链接：https://ieeexplore.ieee.org/document/10106645