联邦超图学习与局部差分隐私：面向隐私感知的超图结构补全

图结构数据的快速增长要求在去中心化系统中进行划分和分布式存储，推动了联邦图学习的发展，以在不损害隐私的前提下协作训练图神经网络（GNN）。然而，现有方法在处理超图时性能有限，因为超图本质上表示的是超越成对连接的复杂高阶关系。在联邦子系统之间划分超图结构会放大结构复杂性，阻碍高阶信息挖掘并损害局部信息完整性。为了弥合超图学习与联邦系统之间的差距，我们开发了 FedHGL，这是一个针对不相交且受隐私约束的超图分区进行联邦超图学习的首创框架。除了在多个客户端之间协作训练全面的超图神经网络外，FedHGL 引入了一种预传播超边补全机制，以在每个客户端内部保持高阶结构完整性。该过程利用联邦中心服务器在不暴露内部拓扑信息的情况下执行跨客户端超图卷积，有效缓解了子图划分引起的高阶信息损失。此外，通过引入两种局部差分隐私（LDP）机制，我们为该过程提供了形式化的隐私保证，确保敏感节点特征免受潜在恶意服务器或客户端的推理攻击。在七个真实数据集上的实验结果证实了我们的方法的有效性，并展示了其相对于传统联邦图学习方法的性能优势。