FedGNN：用于隐私保护推荐的联邦图神经网络
信息检索
2022-10-12 v2
摘要
图神经网络（GNN）被广泛用于推荐以建模用户与物品间的高阶交互。现有基于 GNN 的推荐方法依赖用户-物品图的集中式存储与集中式模型学习。然而，用户数据具有隐私敏感性，集中存储用户-物品图可能引发隐私担忧与风险。本文提出一种用于隐私保护基于 GNN 推荐的联邦框架，能够从分散的用户数据协同训练 GNN 模型，同时很好地保护隐私并利用高阶用户-物品交互信息。在我们的方法中，各用户客户端基于从本地用户-物品交互数据推断出的用户-物品图本地训练 GNN 模型。每个客户端将 GNN 的本地梯度上传至服务器进行聚合，再发回用户客户端以更新本地 GNN 模型。由于本地梯度可能包含隐私信息，我们对本地梯度应用本地差分隐私技术以保护用户隐私。此外，为保护用户交互过的物品，我们提出引入随机采样物品作为伪交互物品以实现匿名化。为纳入高阶用户-物品交互，我们提出一种用户-物品图扩展方法，可寻找具有共交互物品的邻近用户，并交换其嵌入以在隐私保护方式下扩展本地用户-物品图。在六个基准数据集上的大量实验验证，我们的方法能与现有集中式基于 GNN 的推荐方法取得相当结果，同时有效保护用户隐私。
引用
@article{arxiv.2102.04925,
title = {FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation},
author = {Chuhan Wu and Fangzhao Wu and Yang Cao and Yongfeng Huang and Xing Xie},
journal= {arXiv preprint arXiv:2102.04925},
year = {2022}
}