FedGNN: Federateder Graph Neural Network für datenschutzorientierte Empfehlungen

Graph Neural Network (GNN) wird weit verbreitet für Empfehlungssysteme eingesetzt, um hochordentliche Wechselwirkungen zwischen Nutzern und Artikeln zu modellieren. Bestehende GNN-basierte Empfehlungsmethoden beruhen auf zentraler Speicherung von Nutzer-Item-Graphen und zentraler Modelltrainingsstrategie. Da Nutzerdaten jedoch besonders vertraulich sind, kann die zentrale Speicherung von Nutzer-Item-Graphen Datenschutzbedenken und Risiken hervorrufen. In diesem Artikel schlagen wir einen federierten Rahmen für datenschutzfreundliche, GNN-basierte Empfehlungen vor, der es ermöglicht, GNN-Modelle gemeinsam aus dezentralen Nutzerdaten zu trainieren und gleichzeitig hochordentliche Nutzer-Item-Wechselwirkungsinformationen auszunutzen, wobei der Datenschutz der Nutzer gewährleistet ist. In unserer Methode trainieren wir lokal ein GNN-Modell auf jedem Nutzer-Client basierend auf einem aus den lokalen Nutzer-Item-Interaktionsdaten abgeleiteten Nutzer-Item-Graphen. Jeder Client sendet die lokalen Gradienten des GNN-Modells an einen Server zur Aggregation, die anschließend an die Nutzer-Client zurückgesendet werden, um die lokalen GNN-Modelle zu aktualisieren. Da lokale Gradienten möglicherweise vertrauliche Informationen enthalten können, wenden wir Techniken der lokalen differenziellen Privatsphäre auf die lokalen Gradienten an, um den Datenschutz der Nutzer zu gewährleisten. Darüber hinaus schlagen wir vor, zufällig ausgewählte Artikel als sogenannte „Pseudointeraktionen“ zu verwenden, um die Identität der tatsächlich interagierten Artikel zu verschleiern und somit deren Schutz zu gewährleisten. Um hochordentliche Nutzer-Item-Wechselwirkungen effektiv zu integrieren, stellen wir eine Methode zur Erweiterung des Nutzer-Item-Graphen vor, die benachbarte Nutzer mit gemeinsam interagierten Artikeln identifiziert und deren Embeddings in einer datenschutzfreundlichen Weise austauscht, um die lokalen Nutzer-Item-Graphen zu erweitern. Umfassende Experimente auf sechs Benchmark-Datensätzen zeigen, dass unser Ansatz Ergebnisse erzielt, die mit bestehenden zentralisierten GNN-basierten Empfehlungsmethoden konkurrieren, und gleichzeitig den Datenschutz der Nutzer effektiv gewährleistet.