إطار عمل لشبكة عصبية رسمية موزعة للشخصنة الحافظة للخصوصية

يُعدّ الشبكة العصبية الرسومية (GNN) فعّالة في نمذجة التفاعلات من الدرجة العالية، وقد تم استخدامها على نطاق واسع في تطبيقات شخصية متنوعة مثل التوصية. ومع ذلك، تعتمد الطرق الشائعة للشخصنة على التعلم المركزي للشبكة العصبية الرسومية على الرسوم البيانية العالمية، وهو ما يحمل مخاطر كبيرة من حيث الخصوصية نظرًا للطبيعة الحساسة للبيانات الشخصية للمستخدمين. هنا، نقدم إطارًا جديدًا للشبكة العصبية الرسومية الموزعة يُسمى FedPerGNN، والذي يتيح تحقيق شخصنة فعّالة ومحفظة للخصوصية. من خلال طريقة تحديث نموذج تحافظ على الخصوصية، يمكننا تدريب نماذج GNN بشكل تعاوني بناءً على رسوم بيانية موزعة تم استخلاصها من البيانات المحلية. وللتوسع في استغلال المعلومات الرسومية خارج التفاعلات المحلية، نقدّم بروتوكولًا لتوسيع الرسم البياني يحافظ على الخصوصية، مما يسمح بدمج المعلومات من الدرجة العالية ضمن إطار حماية الخصوصية. أظهرت النتائج التجريبية على ستة مجموعات بيانات لتطبيقات شخصنة في سياقات مختلفة أن FedPerGNN يحقق أخطاء أقل بنسبة 4.0% إلى 9.6% مقارنةً بأفضل الطرق الموزعة للشخصنة الحالية، مع الحفاظ على مستوى عالٍ من حماية الخصوصية. يُعدّ FedPerGNN اتجاهًا واعدًا لاستخراج البيانات الرسومية الموزعة بطريقة تحافظ على الخصوصية، مما يمكّن من تحقيق شخصنة ذكية ومسؤولة.