FedGNN: شبكة عصبية رسمية تعاونية للترشيح المحمي بالخصوصية

تُستخدم الشبكات العصبية الرسومية (GNN) على نطاق واسع في أنظمة التوصية لنمذجة التفاعلات من الدرجة العليا بين المستخدمين والمنتجات. تعتمد الطرق الحالية القائمة على GNN في التوصية على تخزين رسومية تفاعلات المستخدم والمنتج بشكل مركزي، وعلى تعلّم النموذج بشكل مركزي أيضًا. ومع ذلك، فإن بيانات المستخدم حساسة للخصوصية، وقد يؤدي التخزين المركزي لرسوميات تفاعلات المستخدم والمنتج إلى مخاوف ومخاطر تتعلق بالخصوصية. في هذا البحث، نقترح إطارًا تعاونيًا (Federated) لتمكين التوصية القائمة على GNN مع الحفاظ على خصوصية المستخدم، حيث يمكنه تدريب نماذج GNN بشكل جماعي من بيانات المستخدم الموزعة، مع الاستفادة في الوقت نفسه من معلومات التفاعل من الدرجة العليا بين المستخدم والمنتج، مع ضمان حماية الخصوصية بشكل فعّال. في طريقةنا، يتم تدريب نموذج GNN محليًا في كل عميل مستخدم بناءً على رسومية تفاعلات المستخدم والمنتج التي يتم استخلاصها من بيانات التفاعل المحلية. ثم يقوم كل عميل بإرسال التدرجات المحلية الخاصة بنموذج GNN إلى الخادم (Server) لجمعها، وبعد ذلك تُرسل هذه التدرجات مرة أخرى إلى العمال لتحديث نماذج GNN المحلية. وبما أن التدرجات المحلية قد تحتوي على معلومات خاصة، نطبق تقنيات الخصوصية التفاضلية المحلية (Local Differential Privacy) على هذه التدرجات لحماية خصوصية المستخدم. بالإضافة إلى ذلك، ولحماية المنتجات التي تفاعل معها المستخدم، نقترح دمج منتجات يتم اختيارها عشوائيًا كعناصر تفاعل وهمية (Pseudo-interacted Items) لضمان التمويه. ولإدماج التفاعلات من الدرجة العليا بين المستخدم والمنتج، نقترح طريقة لتوسيع رسومية المستخدم والمنتج، تتيح العثور على مستخدمين جارين لديهم تفاعلات مشتركة مع منتجات، وتبادل تضميناتهم (Embeddings) لتوسيع رسوميات المستخدم والمنتج المحلية بطريقة تحافظ على الخصوصية. وقد أثبتت التجارب الواسعة على ستة مجموعات بيانات معيارية أن نهجنا يحقق نتائج تنافسية مقارنة بالطرق المركزية القائمة على GNN، مع الحفاظ في الوقت نفسه على حماية فعّالة لخصوصية المستخدم.