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
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。
Jul, 2023
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
本文研究了使用图神经网络实现无线优化问题的去中心化控制 / 管理,提出了设计隐私保护信号和隐私保障训练算法来实现隐私保护推断,并在合成图数据上进行了广泛的模拟以验证理论分析。
Aug, 2022
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
本文研究了节点数据隐私的问题,并提出了一种基于局部差分隐私的 GNN 学习算法和一个名为 KProp 的简单图卷积层作为降噪机制,实验表明该方法在低隐私损失的同时可以保持令人满意的准确性。
Jun, 2020
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
提出了一种基于分散联邦学习环境的 DNN 推荐模型 PrivRec,该模型不会泄露用户数据并且具有不同的隐私保护级别。
Apr, 2021
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
本文提出了一种新颖的差分隐私序列推荐框架 (DIPSGNN),通过噪声图神经网络方法实现差分隐私保护,解决了现有差分隐私推荐系统在顺序推荐中的局限性,能够保护依赖性互动并同时捕捉用户偏好,在隐私和准确性之间取得更好的平衡。
Sep, 2023