연구진이 동적 그래프에서 반복적인 모델 갱신으로 프라이버시 손실이 누적되는 문제를 다루기 위해 엣지 수준 차분 프라이버시 동적 그래프 추론(EDG)을 정식화하고 프레임워크 PriDyG를 제안했다. GNN 기반 구조 학습과 LLM 기반 의미적 추론을 결합했으며, 새로 도착한 엣지를 버퍼링해 각 엣지를 정확히 한 번만 처리하는 점진적 프라이빗 다중 홉 집계 기법을 도입했다. 병렬 합성을 이용해 전체 프라이버시 비용이 모델 갱신 횟수나 일정과 무관하게 단일 정적 공개 수준과 같아지도록 만들었다. 4개 벤치마크의 노드 분류·링크 예측 실험에서 PriDyG는 기존 기준선을 일관되게 능가했고, 순수 재학습 수준의 유용성을 유지하면서 누적 프라이버시 비용을 최대 세 자릿수(약 1000배)까지 줄였다. 동적 그래프에서 프라이버시와 성능을 모두 만족하는 실용적 절충안을 제시한다.

• •엣지 수준 차분 프라이버시 동적 그래프 추론(EDG)을 정식화하고 GNN+LLM 결합 프레임워크 PriDyG를 제안했다
• •점진적 프라이빗 다중 혹 집계로 각 엣지를 한 번만 처리해 프라이버시 비용 누적을 방지한다
• •병렬 합성으로 전체 프라이버시 비용이 갱신 횟수와 무관하게 단일 정적 공개 수준을 유지한다
• •4개 벤치마크에서 기존 기하급수적 예산 할당 기준선을 일관되게 능가했다
• •누적 프라이버시 비용을 최대 1000배 줄이면서도 재학습 수준의 유용성을 유지했다