面向图上隐私保护表示学习的多项式对比学习
机器学习
2025-10-01 v1 密码学与安全
环与代数
摘要
自监督学习（SSL）已成为在无需人工标签的情况下学习图数据表示的强大范式。然而，像 GRACE 这样的领先 SSL 方法由于依赖非多项式运算，从根本上与同态加密（HE）等隐私保护技术不兼容。本文引入了 Poly-GRACE，一个用于图上 HE 兼容自监督学习的新颖框架。我们的方法由一个完全多项式友好的图卷积网络（GCN）编码器和一个新颖的基于多项式的对比损失函数组成。通过在三个基准数据集——Cora、CiteSeer 和 PubMed——上的实验，我们证明 Poly-GRACE 不仅能够实现隐私预训练，而且其性能与标准非隐私基线高度相当，在 CiteSeer 的情况下甚至优于标准非隐私基线。我们的工作代表了向实用且高性能的隐私保护图表示学习迈出的重要一步。
引用
@article{arxiv.2509.25205,
title = {Polynomial Contrastive Learning for Privacy-Preserving Representation Learning on Graphs},
author = {Daksh Pandey},
journal= {arXiv preprint arXiv:2509.25205},
year = {2025}
}