Oct, 2023

图神经网络的隐私保护设计及其在纵向联邦学习中的应用

PDF
TL;DR本文介绍了一种基于 VFL 框架的端到端 GRL 方法，称为 VESPER，它建立在一种通用的隐私保护方案（PMP）上，允许对许多常见的图神经网络架构进行隐私保护。通过对具体图神经网络架构的设计选择进行讨论，我们提出了针对稠密图和稀疏图的解决方案和改进方法。对公共数据集和行业数据集的大量实证评估表明，VESPER 能够在合理的隐私预算下训练高性能的 GNN 模型。
发现论文，激发创造
  • 纵向分块数据上的混合差分隐私联邦学习

    HDP-VFL 是首个联邦学习中差分隐私的框架，实现了模型学习的隐私保护，其效果与非隐私保护的联邦学习相似，并且采用了同态加密和安全多方计算等协议以确保计算和训练的安全。

    Sep, 2020

  • 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

  • 具有自适应特征嵌入的灵活差分隐私垂直联邦学习

    本文研究了垂直联邦学习在数据隐私和任务效用目标之间的微妙平衡，并提出了一种灵活而通用的方法来解决这个问题。通过对共享特征嵌入进行规范剪裁，我们首先得出了严格的隐私保证，接下来通过对特征嵌入的规模和分布进行自适应调整，我们还优化了任务效用，同时不损害建立的差分隐私机制。通过大量实验证明了我们提出的 VFL-AFE 框架能有效抵御隐私攻击并保持有利的任务效用。

    Jul, 2023

  • 金融异常检测的垂直和水平分割数据上的隐私保护联合学习

    我们提出了一种新颖的解决方案 PV4FAD，它结合了全同态加密 (HE)、安全多方计算 (SMPC)、差分隐私 (DP) 和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。

    Oct, 2023

  • 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

  • 个性化图形联邦学习与差分隐私

    本文提出一种个性化图形联邦学习（PGFL）框架，通过分布式连接的服务器和它们的边缘设备协作学习设备或集群特定的模型，同时维护每个个体设备的隐私，通过利用不同模型之间的相似性，即使在数据分布和不成比例的数据集的情况下也提供更相关的体验。在此基础上，我们研究了一个变量 PGFL 实现，利用差分隐私，特别是零集中差分隐私，其中一个噪声序列扰乱模型的交换。我们的数学分析表明，所提出的支持隐私保护的 PGFL 算法在线性时间内收敛于每个集群的最优集群特定解。同时，我们的分析表明，利用集群之间的相似性会导致另一种输出，其与原始解的距离被限制，这个限制可以通过修改算法的超参数来调整。最后，我们还通过使用合成数据和 MNIST 数据集进行回归和分类的数值实验来检验所提出的 PGFL 算法的性能。

    Jun, 2023

  • 安全聚合的高效垂直联邦学习

    本文提出了一种使用最先进的安全模块进行安全和高效的垂直联邦学习的新方法，与同态加密（HE）相比，该方法提供了 9.1e2〜3.8e4 的加速，同时不影响训练性能。

    May, 2023

  • Graph-Fraudster：基于图神经网络的纵向联邦学习的对抗性攻击

    本文提出了基于 GVFL 框架的新型攻击方法 Graph-Fraudster，并在五个基准数据集上进行了实验，结果表明该方法在攻击性能上具有最先进的水平，并提出了未来工作的一些建议以改善 GVFL 的稳健性。

    Oct, 2021

  • 垂直联邦学习

    本文提供了关于垂直联邦学习的综述，包括联邦学习的概念、算法及其各个方面的挑战和现有进展；介绍了 VFL 的分类、隐私保护协议、攻击和防御策略，并提出了 VFLow 统一框架；最后还回顾了工业应用的最新进展和存在的开放性问题和未来发展方向。

    Nov, 2022

  • 基于分层视角的垂直联邦学习综述

    本文从硬件层到垂直联邦系统层对垂直联邦学习的现有工作和挑战进行分类，特别设计了一种新的 MOSP 树分类法来分析保护对象、安全模型和隐私保护协议等四个维度的核心组件 - 安全垂直联邦机器学习算法。

    Apr, 2023