可证明通信高效与隐私保护的联邦图神经网络
机器学习
2026-05-27 v1
摘要
图神经网络(GNNs)在处理关系数据方面取得了优异性能，但现实中的图往往分布在无法共享原始数据的组织之间，受制于隐私与政策限制。现有联邦GNN方法要么忽略跨client链接导致准确率下降，要么需要频繁的嵌入交换，造成巨大的通信与隐私成本。我们提出CE-FedGNN，一个通信高效且隐私保护的联邦GNN框架，用于学习此类耦合图。我们的做法通过不频繁交换聚合节点表示来避免共享原始数据或每轮嵌入。为处理跨client依赖与数据延迟，我们引入一个移动平均估计器，持续跟踪节点表示并使其在多轮中可被稳定重用。为提供对所释放表示的正式隐私保证，我们采用度量差分隐私(metric-DP)框架，该框架根据所学习嵌入空间中的距离来衡量隐私，而非最坏情况输入扰动。这一方法在标准差分隐私过于保守的噪声水平下提供有意义的保证。我们建立了收敛到平稳点的收敛性，以的速率达到的通信复杂度。此外，我们在公共cohort威胁模型下通过Renyi差分隐私组合推导出-metric-DP保证。在合成银行反洗钱基准和引用网络实验中表明，CE-FedGNN在显著减少通信和保持鲁棒性的同时实现了强大的性能。
引用
@article{arxiv.2605.26243,
title = {Provably Communication-Efficient and Privacy-Preserving Federated Graph Neural Networks},
author = {Zhishuai Guo and Wenhan Wu and Chen Chen and Lei Zhang and Olivera Kotevska and Ravi K Madduri},
journal= {arXiv preprint arXiv:2605.26243},
year = {2026}
}