摘要

图神经网络（Graph Neural Network, GNN）在建模高阶交互关系方面表现出色，已被广泛应用于推荐系统等个性化应用场景。然而，主流的个性化方法通常依赖于在全局图上进行集中式GNN学习，由于用户数据具有高度隐私敏感性，此类方法存在显著的隐私风险。为此，本文提出一种名为FedPerGNN的联邦图神经网络框架，旨在实现高效且隐私保护的个性化建模。通过一种隐私保护的模型更新机制，FedPerGNN能够在基于本地数据推断出的去中心化图结构上协同训练GNN模型。为进一步挖掘本地交互之外的图结构信息，我们设计了一种隐私保护的图扩展协议，在保障隐私的前提下引入高阶图信息。在六个不同场景下的个性化任务数据集上的实验结果表明，FedPerGNN在提供良好隐私保护的同时，相比当前最先进的联邦个性化方法，误差降低了4.0%至9.6%。FedPerGNN为在隐私保护条件下挖掘去中心化图数据提供了具有前景的新方向，有助于实现负责任且智能的个性化服务。