该论文研究了跨孤岛联邦学习（FL）中的记录级个性化差分隐私（DP）问题。现有方法通常假设所有记录具有统一的隐私预算，提供“一刀切”的解决方案，无法满足每条记录特定的隐私需求。作者提出了一个名为rPDP-FL的新型框架，采用两阶段混合采样方案：包括均匀的客户端级采样和非均匀的记录级采样，以应对不同的隐私要求。该框架允许每个记录根据其隐私需求设置个性化的隐私预算，并通过精心设计的采样机制确保整体训练的收敛性和效率。实验部分（在摘要中未详述）可能通过标准数据集验证了该框架在满足个性化隐私约束的同时，保持了模型的效用。该方法适用于多个数据持有者（如医院、银行）在隐私法规要求下协作训练模型，且每个数据点可能有不同的隐私敏感度。论文的核心贡献在于首次系统性地解决了跨孤岛FL中的记录级个性化隐私保护问题，并提出了可实际部署的算法框架。

该论文针对分布式环境下局部图数据的隐私保护问题展开研究。随着社交网络、移动应用和边缘计算等场景的普及，图结构数据越来越多地以去中心化方式生成和存储，用户对自身局部图数据拥有控制权。然而，在利用这些数据进行下游学习任务时，节点及其属性常包含敏感个人信息，隐私泄露风险突出。局部差分隐私（LDP）作为一种不依赖可信服务器的隐私保护数据收集技术，已有相关图学习方法，但现有方法均假设所有用户具有统一的隐私需求，忽略了实际系统中用户隐私偏好的异质性和个性化。这种统一处理导致数据收集阶段噪声注入僵化，图数据严重失真，后续分析效用下降。针对上述局限，论文提出了PPGNN——一个面向去中心化图数据的个性化差分隐私框架。PPGNN允许用户在执行局部扰动时设定自己的隐私预算，同时保持分析效用。为处理异质隐私水平与噪声失真，论文设计了两阶段解决方案：个性化扰动机制（PPM）和加权校准策略FlexProp。PPM根据每个用户的个性化隐私预算对局部图数据进行扰动；FlexProp通过权重校准减少因不同隐私预算引入的偏差。在六个真实图数据集上的大量实验表明，PPGNN在去中心化图学习场景中有效平衡了个性化隐私保护与数据效用。该工作首次系统地解决了图数据上的个性化差分隐私问题，为联邦图学习、社交网络分析等隐私敏感型应用提供了理论基础与实用方法。