本文研究图神经网络（GNN）中的节点级隐私保护问题。尽管GNN在社交网络、推荐系统等领域应用广泛，但训练过程中可能泄露节点的敏感属性或连接关系。现有隐私保护方法多针对图级别或边级别，节点级隐私保护仍面临挑战。作者提出一种新的隐私保护框架，通过在GNN训练过程中注入精心设计的噪声，使得攻击者无法准确推断单个节点的特征或标签，同时保持模型效用。具体方法包括：引入差分隐私机制，在节点特征聚合阶段添加高斯噪声；设计自适应噪声校准策略，根据节点度数和特征分布动态调整噪声强度；并提出一种高效的隐私预算分配方案，在多个训练轮次中优化隐私与效用的权衡。实验在多个基准数据集（如Cora、Citeseer、Pubmed）上评估，与现有方法（如DP-GNN、GAP）相比，本文方法在相似隐私预算下实现了更高的节点分类准确率（提升约5-8%），且隐私损失更小。该工作为GNN部署中保护个体隐私提供了实用方案，尤其适用于医疗、金融等敏感领域。