基于分割学习实现表示一致的隐私保护图神经网络
机器学习
2021-07-14 v1 人工智能
摘要
近年来，图神经网络（GNN）相关研究数量的快速增长已使其从理论研究走向实际应用阶段。尽管 GNN 取得了令人鼓舞的性能，但相关文献中较少关注分布式图数据上的隐私保护训练与推断。由于图结构的特殊性，将现有隐私学习框架扩展到 GNN 具有挑战性。受分割学习思想的启发，我们提出了一种服务器辅助隐私保护图神经网络（SAPGNN），用于横向划分的跨机构场景下的节点级任务。它提供了集中式 GNN 到孤立图的自然扩展，采用最大/最小池化聚合，同时保证所有参与计算的私有数据仍保留在本地数据持有者处。为了进一步增强数据隐私，提出了一种安全的池化聚合机制。理论与实验结果表明，所提模型取得了与在合并数据上学习所得模型相同的准确率。
引用
@article{arxiv.2107.05917,
title = {Towards Representation Identical Privacy-Preserving Graph Neural Network via Split Learning},
author = {Chuanqiang Shan and Huiyun Jiao and Jie Fu},
journal= {arXiv preprint arXiv:2107.05917},
year = {2021}
}