买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京理工大学申请的专利一种数据隐私保护方法、系统、计算机设备和存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121413031B 。

龙图腾网通过国家知识产权局官网在2026-05-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511960476.4，技术领域涉及：G06F21/62；该发明授权一种数据隐私保护方法、系统、计算机设备和存储介质是由刘帆;陈丽娜;王思懿;车洵;陈竞飞;顾欢欢;李千目;洪强;时宗胜设计研发完成，并于2025-12-24向国家知识产权局提交的专利申请。

本一种数据隐私保护方法、系统、计算机设备和存储介质在说明书摘要公布了：本发明公开了一种数据隐私保护方法、系统、计算机设备和存储介质。本发明方法包括以下步骤：从客户端获取待进行隐私保护的原始图数据G；初始化GNN模型，并在原始图数据G上进行预训练；设定遗忘目标，并基于对比学习对预训练后的GNN模型进行进一步迭代训练优化，获得优化后的GNN模型；针对客户端传输的新的待进行隐私保护的图数据，将其输入至优化后的GNN模型中，输出隐私保护后的图数据。本发明通过构建逐层遗忘算子与改进的对比学习框架，协同消除敏感边的直接关联及其在图拓扑中的传播影响，从而在保证模型整体性能的前提下，实现精准、高效的图数据遗忘，进而实现有效的数据隐私保护。

本发明授权一种数据隐私保护方法、系统、计算机设备和存储介质在权利要求书中公布了：1.一种数据隐私保护方法，其特征在于，所述方法包括以下步骤： 步骤1，从客户端获取待进行隐私保护的原始图数据G； 步骤2，初始化GNN模型，并在原始图数据G上进行预训练； 步骤3，设定遗忘目标，并基于对比学习对预训练后的GNN模型进行进一步迭代训练优化，获得优化后的GNN模型； 步骤4，针对客户端传输的新的待进行隐私保护的图数据，将其输入至优化后的GNN模型中，输出隐私保护后的图数据； 步骤3具体包括： 步骤3-1，设定训练轮数T，并确定图数据G中需要遗忘的目标边集合；在每一轮训练中，从图数据中移除目标边集合，生成更新后的图数据； 步骤3-2，将更新后的图数据输入预训练后的GNN模型，得到基础节点嵌入Z； 步骤3-3，利用逐层遗忘算子，从GNN模型的浅层到深层依次对基础节点嵌入进行修正，生成最终嵌入； 步骤3-4，构造对比样本对：根据被删除的目标边构造正样本对与负样本对； 步骤3-5，构建包含遗忘损失函数和性能保持损失函数的联合损失函数；其中，遗忘损失函数通过最大化正样本对的相似度概率，迫使模型忽略敏感边即需要遗忘的目标边的存在性；性能保持损失函数用于约束嵌入变化量以确保未删除部分的局部结构和语义连贯性； 步骤3-6，基于所述对比样本对和联合损失函数，对预训练后的GNN模型进行训练优化； 步骤3-7，重复执行步骤3-2至步骤3-6进行迭代训练，直至达到预设训练轮数T或满足预设收敛条件，最终输出优化后的GNN模型； 步骤3-3的具体过程包括： 为GNN模型的每一层定义一个条件激活的遗忘算子，该算子仅在目标敏感边的局部邻域内被触发并执行参数化变换；对于被删除边，在GNN中第层定义遗忘算子为条件激活的映射函数如下： ； 其中，为参数化变换函数，为第层的可学习权重矩阵，该权重矩阵在每层内共享，表示第层的权重矩阵维度；表示边在第层的跳邻域子图；为节点在第层的特征，为第层的遗忘算子； 确定最优邻域跳数，以在遗忘效果与计算开销之间达成最佳平衡； 从GNN模型的浅层到深层，依次在每一层应用对应的遗忘算子，对敏感边邻域内的节点嵌入进行逐层修正，逐步解耦其关联；经过所有层的校正后，输出最终嵌入。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。