FedGNN : Réseau de neurones graphiques fédérés pour la recommandation préservant la vie privée

Le réseau de neurones graphes (GNN) est largement utilisé pour la recommandation afin de modéliser les interactions d’ordre élevé entre les utilisateurs et les articles. Les méthodes existantes basées sur les GNN reposent sur un stockage centralisé des graphes utilisateur-article ainsi que sur un apprentissage centralisé du modèle. Toutefois, les données utilisateur sont sensibles à la vie privée, et le stockage centralisé de ces graphes peut soulever des préoccupations et des risques liés à la confidentialité. Dans cet article, nous proposons un cadre fédéré pour la recommandation basée sur les GNN préservant la vie privée, permettant d’entraîner collectivement des modèles GNN à partir de données utilisateur décentralisées tout en exploitant efficacement les informations d’interactions d’ordre élevé entre utilisateurs et articles, tout en garantissant la protection de la vie privée. Dans notre méthode, chaque client utilisateur entraîne localement un modèle GNN à partir du graphe utilisateur-article inféré à partir de ses propres données d’interaction locales. Chaque client envoie ensuite les gradients locaux du modèle GNN vers un serveur pour agrégation, lesquels sont ultérieurement redistribués aux clients utilisateurs afin de mettre à jour leurs modèles GNN locaux. Étant donné que les gradients locaux peuvent contenir des informations privées, nous appliquons des techniques de différentielle privée locale aux gradients locaux afin de protéger la vie privée des utilisateurs. En outre, afin de protéger les articles avec lesquels les utilisateurs interagissent, nous proposons d’introduire des articles aléatoirement échantillonnés comme « articles fictivement interagis » afin d’assurer l’anonymat. Pour intégrer les interactions d’ordre élevé entre utilisateurs et articles, nous proposons une méthode d’expansion du graphe utilisateur-article qui permet de repérer des utilisateurs voisins ayant interagi avec des articles communs, puis d’échanger leurs embeddings de manière à étendre les graphes utilisateur-article locaux de façon privée. Des expériences étendues sur six jeux de données de référence montrent que notre approche atteint des résultats compétitifs par rapport aux méthodes centralisées basées sur les GNN tout en protégeant efficacement la vie privée des utilisateurs.