CE-FedGNN: новый фреймворк для федеративного обучения графовых нейросетей с гарантией приватности
Графовые нейронные сети (GNN) эффективно работают с реляционными данными, но в реальности графы часто распределены между организациями, которые не могут делиться исходными данными из-за политик конфиденциальности. Существующие федеративные методы GNN либо игнорируют кросс-клиентские связи (что снижает точность), либо требуют частого обмена эмбеддингами, создавая значительные коммуникационные и приватные издержки.
Авторы новой работы на arXiv (ID 2605.26243) предлагают фреймворк CE-FedGNN, который решает обе проблемы. Он избегает обмена сырыми данными или эмбеддингами в каждом раунде, передавая только агрегированные представления узлов с низкой частотой. Для обработки межклиентских зависимостей и устаревания данных используется оценщик скользящего среднего, который непрерывно отслеживает представления и позволяет их стабильно использовать между раундами.
Для формальных гарантий приватности применяется метрическая дифференциальная приватность (metric-DP). Она измеряет уровень приватности относительно расстояний в пространстве обученных эмбеддингов, а не наихудших возмущений входных данных. Это обеспечивает осмысленные гарантии при уровне шума, где стандартная DP становится излишне консервативной.
Теоретически показана сходимость к стационарной точке со скоростью O(1/?T) при сложности связи O(T^{3/4}). Также получены (?,?)-гарантии metric-DP через композицию R?nyi DP в модели угроз с публичной когортой.
Эксперименты на синтетических бенчмарках по межбанковской борьбе с отмыванием денег и на сетях цитирования показали, что CE-FedGNN достигает высокой производительности, значительно сокращая объём передаваемых данных и сохраняя устойчивость к шуму, вносимому для приватности.
Разработка может быть полезна для банков, медицинских учреждений и других организаций, которым необходимо совместно обучать модели на графах без раскрытия чувствительных данных.
