图神经网络（GNN）在节点分类、图分类等图相关任务上取得了当前最优的性能，但近年来研究显示，GNN容易受到对抗性扰动的影响，这些扰动可作用于构成图的三个组件：边、节点和节点特征。经验性的防御方法往往很快被自适应攻击者突破，而认证防御虽能提供鲁棒性保证，却存在多重局限：第一，几乎所有方法都只将攻击者能力限制为单一类型的扰动，这在实际场景中并不现实；第二，所有方法均为特定GNN任务设计，限制了其通用性；第三，除一种方法外，其余方法的鲁棒性保证并非100%精确。针对这些问题，本文提出了AGNNCert，这是首个能够针对任意类型（边、节点和节点特征）扰动提供确定性鲁棒性保证的认证防御方法，并且适用于节点分类和图分类这两类最常见的GNN任务。AGNNCert统一了现有认证防御理论，将已有方法作为特殊情形包含在内，从而实现了更全面的防护。在多个基准节点/图分类数据集、两个真实世界图数据集以及多种GNN结构上的大量实验验证了AGNNCert的有效性，表明其能够可证明地防御任意扰动。同时，AGNNCert在单独边扰动和单独节点扰动的对抗场景中均超越了现有的最先进认证防御方法。该研究的核心贡献在于突破了以往认证防御在扰动类型、任务类型和保证精确性上的三重限制，为GNN的可靠部署提供了更为全面和实用的安全保障。

本文针对图数据节点分类任务中的隐私泄露问题，提出了一种名为LPGNet的新型神经网络架构。图卷积网络（GCNs）在节点分类中表现出色，但研究表明攻击者可以通过链接窃取攻击推断训练图中的边（即节点间关系），即使仅有黑盒模型访问权限。LPGNet通过创新性地设计训练过程中图边结构的使用方式，为边提供差分隐私（DP）保证。具体地，LPGNet在训练时对图边结构进行扰动，使得模型参数不直接依赖具体边信息，从而限制攻击者从模型输出推断边存在的能力。实验在多个数据集上表明，LPGNet在隐私与效用之间取得了良好平衡：与完全不使用边信息的朴素架构（如MLP）相比，LPGNet拥有更高的分类准确率；与完整使用边结构的传统GCN相比，LPGNet对现有链接窃取攻击具有更强的抵抗力。此外，与最先进的隐私增强GCN方法DPGCN相比，LPGNet在大多数数据集上提供了更优的隐私-效用权衡。本文的主要贡献包括：(1) 提出LPGNet架构，首次将差分隐私直接融入图卷积过程；(2) 从理论上分析隐私保证；(3) 通过实验验证其在隐私保护和任务性能上的优势。该工作适合隐私保护机器学习、图神经网络领域的从业者和研究人员阅读。