基于无损 GNN 的联邦推荐框架 GNN4FR

Jul, 2023

基于无损 GNN 的联邦推荐框架 GNN4FR

GNN4FR: A Lossless GNN-based Federated Recommendation Framework

Guowei Wu, Weike Pan, Zhong Ming

TL;DR本文设计了一种基于 GNN 的全局无损联合推荐框架，可以实现完整的高阶结构信息的全图训练，避免了个人互动数据泄露，同时使用 LightGCN 实现了框架的等效性。

Abstract

graph neural networks (GNNs) have gained wide popularity in recommender systems due to their capability to capture higher-order structure information among the nodes of users and items. However, these methods need to collect personal interaction data between a user and the correspondin

graph neural networks recommender systems privacy laws federated recommendation framework lightgcn

发现论文，激发创造

FedGNN：基于联邦学习的图神经网络在隐私保护推荐中的应用

本文提出了一种隐私保护的图神经网络推荐模型，该模型采用联邦学习的方式对分散的用户数据进行训练，并采用本地差分隐私技术对用户隐私进行保护，同时通过用户 - 物品图扩展方法拓展本地用户 - 物品图来增强推荐效果，并在六个基准数据集上进行了广泛实验验证。

Feb, 2021

去中心化图神经网络的隐私保护推荐

本研究提出了 DGREC，一种新的分散式图神经网络推荐系统，用于保护隐私，在用户选择公开其互动时仍能确保通信效率和隐私保护。

Aug, 2023

基于图神经网络的联邦社交推荐

本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

Nov, 2021

社交推荐的图神经网络

本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

Feb, 2019

隐私保护机制在联邦学习中的应用

本文研究在联邦学习中，使用差分隐私和社区驱动方法来保障本地数据隐私，识别了一个安全漏洞并设计了两种攻击模式，Adversarial Mode 和 Backdoor Mode，实验结果表明这些攻击是有效的。

May, 2023

隐私保护节点分类的纵向联邦图神经网络

本文提出了基于联邦学习的 VFGNN 框架，用于解决图数据中的隐私节点分类任务，在保留数据隐私的同时获得了良好的效果。

May, 2020

FedRKG: 隐私保护的联邦推荐框架通过知识图谱增强

提出了 FedRKG，一种基于全球知识图构建的新型联邦推荐系统，通过使用公共可用的物品信息建立和维护全局知识图，允许更高阶的用户 - 物品交互，采用伪标签和局部差分隐私来保护本地交互物品和模糊梯度，实验证明其相比于现有的联邦学习算法在确保隐私保护的同时具有竞争性的性能，平均准确率提升了 4%。

Jan, 2024

FedGKD: 在联邦图神经网络中释放协作的力量

提出了 FedGKD，一种新的联邦图神经网络框架，利用客户端图数据集提取更好描述任务相关性的任务特征，并引入一种对全局协作结构感知的新型服务器端聚合机制，通过在六个不同规模的真实世界数据集上进行广泛实验，证明该框架的优越性。

Sep, 2023

FedGraphNN：图神经网络联邦学习系统和基准

本研究介绍 FedGraphNN，一个用于解决中心化实际世界图形数据训练 GNN 所面临的隐私问题的开放式分布式学习平台，涵盖各种数据集，流行的 GNN 模型以及 FL 算法，维护源代码的统一公式和安全高效的系统支持。

Apr, 2021

面向图卷积神经网络的垂直联邦学习框架

本文提出 FedVGCN 算法，是一个隐私保护的节点分类任务的联邦学习范式，能够推广到现有的 GCN 模型，将计算图数据分成两部分，在同态加密下，双方交换中间结果进行训练，实验结果表明 FedVGCN 在 GraphSage 的情况下是有效的。

Jun, 2021