无损隐私保护图卷积网络用于联邦物品推荐
信息检索
2024-12-03 v1
摘要
图神经网络（GNN）已成为物品推荐的前沿解决方案。然而，现有GNN推荐方法依赖集中式存储碎片化的用户-物品交互子图，并在聚合全局图上训练，导致隐私问题。为此，一些近期研究开发了基于GNN的联邦推荐方法，通过利用分散的碎片化用户-物品子图来保留用户隐私。然而，由于隐私限制，现有联邦推荐方法的图卷积过程不完整，导致推荐性能下降。本文提出一种新型无损隐私保护图卷积网络（LP-GCN），通过分散的用户-物品交互子图完全完成图卷积过程，同时确保隐私。值得注意的是，其性能等价于非联邦（即集中式）方案。此外，我们通过理论分析和实证研究验证了其有效性。在三个真实数据集上的大量实验表明，LP-GCN优于现有联邦推荐方法。代码将在论文接受后公开。
引用
@article{arxiv.2412.01141,
title = {Lossless and Privacy-Preserving Graph Convolution Network for Federated Item Recommendation},
author = {Guowei Wu and Weike Pan and Qiang Yang and Zhong Ming},
journal= {arXiv preprint arXiv:2412.01141},
year = {2024}
}