面向子图联邦学习的深度高效私有邻居生成
机器学习
2024-01-22 v3 人工智能
密码学与安全
摘要
在许多实际应用中，巨型图往往是碎片化的，并由多个数据所有者作为分布式子图分别存储。在不损害数据隐私的前提下，自然可以考虑子图联邦学习（subgraph FL）场景，其中每个本地客户端持有整个全局图的一个子图，以获取全局泛化的图挖掘模型。为了克服由于缺失跨子图邻居而导致本地子图信息传播不完整的独特挑战，先前的工作诉诸于通过缺失邻居生成器和 GNN 的联合联邦学习来增强本地邻域。然而，它们的技术设计在联邦学习的效用、效率和隐私目标方面存在深刻局限。在本工作中，我们提出 FedDEP 以全面应对子图 FL 中的这些挑战。FedDEP 包含一系列新颖的技术设计：(1) 利用潜在缺失邻居的 GNN 嵌入进行深度邻居生成；(2) 通过嵌入原型化实现用于邻居生成的高效伪联邦学习；(3) 通过无噪声边缘本地差分隐私实现隐私保护。我们分析了 FedDEP 的正确性和效率，并为其隐私性提供了理论保证。在四个真实世界数据集上的实证结果证明了所提技术的明显优势。
引用
@article{arxiv.2401.04336,
title = {Deep Efficient Private Neighbor Generation for Subgraph Federated Learning},
author = {Ke Zhang and Lichao Sun and Bolin Ding and Siu Ming Yiu and Carl Yang},
journal= {arXiv preprint arXiv:2401.04336},
year = {2024}
}
备注
Accepted to SDM 2024