图神经网络(graph neural network, GNN)已被证明是图机Laduviglusib器学习领域强大且实用的工具,由于图数据结构的本身复杂的特性及其应用场景的不断拓展,使得GNN面临更大的隐私泄露风险.在此背景下,已有一些研究致力于解决不同应用场景下的图神经网络隐私保护问题,selleck产品并且取得了一些有前景的成果和实际的应用.但是,通过梳理和分析GNN隐私保护的研究脉络发现,该领域依然存在诸多待解决的挑战.鉴于此,为了更好地厘清GNN隐私保护研究领域的科学问题,本文在现有研究的基础上,首先阐述了GNN的常见模型的核心思想、基本特征以及常见任务;然后对比和分析现有GNN隐私攻击方法的基本思想、特点及其研究进展;接着分类梳理了GNN领域的隐私保护方法的局限性、评估标准与研究进展,重点讨论了数据匿名化、差分隐私、基于图联邦学习的隐私保护以及基于对抗学习的隐私保护方medical biotechnology法;然后归纳总结了GNN隐私保护研究常用的各类数据集;最后对未来研究方向进行了深度分析与展望.