面向隐私保护节点分类的纵向联邦图神经网络
机器学习
2022-04-26 v3 密码学与安全
机器学习
摘要
近年来，图神经网络（GNN）在由图节点特征和不同节点间邻接信息构成的图数据上的各类现实任务中取得了显著进展。高性能的GNN模型始终依赖于丰富的特征和完整的边信息。然而，这些信息在实践中可能被不同的数据持有方所隔离，这就是所谓的数据隔离问题。为解决这一问题，本文提出了VFGNN，一种在数据纵向划分设置下用于隐私保护节点分类任务的联邦GNN学习范式，该范式可推广至现有的GNN模型。具体而言，我们将计算图拆分为两部分。我们将与私有数据（即特征、边和标签）相关的计算留在数据持有方，并将其余计算委托给一个半诚实服务器。我们还提出应用差分隐私来防止来自服务器的潜在信息泄露。我们在三个基准数据集上进行了实验，结果证明了VFGNN的有效性。
引用
@article{arxiv.2005.11903,
title = {Vertically Federated Graph Neural Network for Privacy-Preserving Node Classification},
author = {Chaochao Chen and Jun Zhou and Longfei Zheng and Huiwen Wu and Lingjuan Lyu and Jia Wu and Bingzhe Wu and Ziqi Liu and Li Wang and Xiaolin Zheng},
journal= {arXiv preprint arXiv:2005.11903},
year = {2022}
}
备注
Accepted by IJCAI'22