具有安全聚合的联邦动态图神经网络

给定来自多个个人设备或街道摄像头的视频数据，我们能否在不将数据存储于中央服务器（这会导致用户隐私泄露）的情况下，利用结构与动态信息来学习对象的动态表示，以用于分布式监控等应用？在本工作中，我们提出联邦动态图神经网络（Feddy），一种分布式且安全的框架，用于从多用户图序列中学习对象表示：i) 它聚合当前图中邻近对象的结构信息以及前一图中这些对象的动态信息，并使用预测对象轨迹的自监督损失。ii) 它以联邦学习的方式训练：位于中央的服务器将模型发送给用户设备，各用户设备上的本地模型进行学习并定期将所学内容发送至中央服务器，而从不将用户数据暴露给服务器。iii) 研究表明，在服务器执行加权平均后将聚合参数广播给客户端进行模型同步时，这些参数虽经解密但仍可能被检视。我们设计了一种适当的安全聚合原语聚合机制，能够在具备可扩展性的联邦学习中保护安全与隐私。在四个视频监控数据集（四种不同场景）以及仿真上的实验表明，Feddy 取得了极佳的有效性与安全性。