该论文提出了一种名为 Blink 的框架，用于在图神经网络（GNN）训练中实现链路本地差分隐私（Link Local Differential Privacy）。研究背景是：GNN 在节点嵌入学习与图推理任务中表现出色，但训练过程可能泄露节点间的敏感关联信息。为缓解此问题，作者采用去中心化节点上的链路本地差分隐私机制，使得节点能够与不可信服务器协作训练 GNN，同时保证任何链路的存在性不被泄露。核心方法是：将隐私预算分别分配给图的链路和节点度信息，并利用贝叶斯估计在图拓扑上进行去噪，以减轻本地差分隐私（LDP）对 GNN 训练精度的负面影响。作者严格推导了推断链路概率与真实图拓扑之间的平均绝对误差上界。在此基础上，提出了两种互补的 LDP 机制变体：第一种在低隐私预算下估计较少链路，以避免在高不确定性时产生误报链路；第二种利用更多信息，在相对较高的隐私预算下表现更佳。此外，还提出了一个混合变体，结合两种策略并在不同隐私预算下均获得更好性能。大量实验表明，在不同隐私预算下，所提方法在精度上优于现有基线方法。该研究为隐私保护图学习提供了新的技术路径，适合对差分隐私、图神经网络及隐私保护机器学习感兴趣的研究人员阅读。