隐私保护的垂直联邦图神经网络
15 浏览量
更新于2025-01-16
收藏 715KB PDF 举报
+v：mala2277获取更多论
文
f4 f5
f4 f5 f4 f5
f6 f7
F1 f2 f3
f4 f5
f6 f7
F7
F6
F7
F6
一
A B
C
A B
C
A B
C
用于隐私保护节点分类的垂直联邦图神经网络
陈超超
1
，周军
1
，
2
，郑龙飞
2
，吴慧文
2
，吕玲娟
3
，吴佳
4
，吴炳哲
5
，刘子琪
2
，
王立
2
，郑晓林
1
，
6，
1
浙江大学，
2
蚂蚁集团，
3
索尼
AI
，
4
麦考瑞大学，
5
北京大学，
6
JZTData Technology
{zjuccc，xlzheng} @ zju.edu.cn，Lingjuan. sony.com，jia. mq.edu.au，wubingzhe@pku.edu.cn，
{jun.zhoujun
，
zlf206411
，
huiwen.whw
，
ziqiliu
，
raymond.wangl} @ antgroup.com
摘要
图神经网络（GNN）在处理各种实际的图数据
任务方面取得了显著的进展。高性能的GNN模
型往往依赖于图中丰富的特征和完备的边信
息。然而，这样的信息--
数据持有者具有相同的节点，但具有不同的要素和边
F
1
F
2
F
3
F1
F2
F3
F
1
F
2
F
3
信息可能被不同的数据
数据持有者
数据持有者
数据持有者
持有人在实践中，这是所谓的数据隔离问题。
为了解决这个问题，本文提出了一种垂直联邦
图神 经网络（Vertically Federated Graph Neur-
ral Network，VFGNN），它是一种用于数据垂
直划分环境下隐私保护节点分类任务的具体来
说，我们将计算图分为两部分。我们保留私有
数据（即，特征、边和标签）相关的计算，并
将其余的计算委托给半诚实服务器。我们还建
议应用差分隐私，以防止潜在的信息泄漏的服
务器。我们在三个基准上进行了实验，结果证
明了VFGNN的有效性。
1
介绍
图神经网络（GNN）由于其能够在同质和异质图上对高
维特征信息和高阶相邻信息进行建模，因此得到了学术
界和工业界越来越多的关注
[
Wuet al. ，2019
]
。高性能
GNN模型的一个重要组成部分是高质量的图形数据，包
括丰富的节点特征和完整的相邻信息。然而，在实际应
用中，这些信息可能被不同的数据持有者隔离，这就是
所谓的
数据隔离
问题。这种数据隔离问题对人工智能的
发展提出了严峻的挑战，成为近年来的研究热点。
问题. 图1显示了垂直分区数据设置下的隐私保护节点分
类问 题这里，我 们假设有三 个数据持有 者（
A
、
B
和
C），它们
通讯作者
图1：垂直联邦GNN的问题描述。
有四个相同的节点。节点特征被垂直分割，即，有
f1
，
f2
和
f3
， 有
f4
和
f5
， 有
f6
和
f7
。与此同时，、、和可能有自己的优势。例如，节
点之间具有社交关系，而节点之间具有支付关系 我
们还假设
是
拥有节点标签的一方。问题是使用
A
、
B
和
C
的图数据构建联邦
GNN
模型。
相关工作。迄今为止，已经提出了许多种隐私保护机器
学习模型，例如，logistic回归
[
Chenet al. ，2021
]
、决策
树
[
Fangetal.
，
2021
]
和神经网络
[
Waghet al. ，2019
]
。还
有一 些研究GNN中 隐私问题的 工作 ，例如， 图发布
[
Sajadmanesh 和 Gatica-Perez ， 2020
]
， GNN 推 理
[
Heet
al. ， 2020
]
， 以 及 当 数 据 水 平 分 区 时 的 联 邦 GNN
[
Zhenget al. ，2021;Wuet al. ，2021
]
。到目前为止，很
少有人研究GNN在数据垂直划分时的问题，这在实践中
是普遍存在的。与以前的隐私保护机器学习模型不同，
这些模型假设只有样本（节点）由不同的各方持有，并
且这些样本没有关系，我们的任务更具挑战性，因为
GNN依赖于样本之间的关系，这些样本也由不同的数据
持有者保存。
天真的解决方案。构建隐私保护GNN的一种直接方法是
采用高级加密算法，如同态加密（HE）和安全多方计
算（MPC）
[
Mohassel和Zhang，2017
]
。这种纯密码方式
可以提供高安全性保证，然而，它遭受高计算和通信成
本，这限制了它们的效率
[
Osiaet al. ，2019
]
。
我们的解决方案。相反，我们提出了VFGNN，一个联
邦GNN学习范式的隐私保护节点分类任务下的数据垂直
分 区 设 置 。 动 机 - vated 由 现 有 的 工 作 在 分 裂 学 习
[
Vepakommaet
arXiv
：
2005.11903v3 [cs.LG] 2022
年
4
月
下载后可阅读完整内容，剩余9页未读，立即下载
点击了解资源详情
点击了解资源详情
148 浏览量
285 浏览量
181 浏览量
点击了解资源详情
点击了解资源详情
点击了解资源详情
cpongm
- 粉丝: 6
我的内容管理
展开
最新资源
- 初学者入门必备！Visual C++开发的连连看小程序
- C#实现SqlServer分页存储过程示例分析
- 西门子工业网络通信例程解读与实践
- JavaScript实现表格变色与选中效果指南
- MVP与Retrofit2.0相结合的登录示例教程
- MFC实现透明泡泡效果与文件操作教程
- 探索Delphi ERP框架的核心功能与应用案例
- 爱尔兰COVID-19案例数据分析与可视化
- 提升效率的三维石头制作插件
- 人脸C++识别系统实现：源码与测试包
- MishMash Hackathon：Python编程马拉松盛事
- JavaScript Switch语句练习指南：简洁注释详解
- C语言实现的通讯录管理系统设计教程
- ASP.net实现用户登录注册功能模块详解
- 吉时利2000数据读取与分析教程
- 钻石画软件：从设计到生产的高效解决方案
