FedGNN：プライバシー保護型推薦を実現するフェデレーテッドグラフニューラルネットワーク

グラフニューラルネットワーク（GNN）は、ユーザーとアイテム間の高次の相互作用をモデル化するため、推薦システムにおいて広く用いられている。従来のGNNベースの推薦手法は、ユーザー・アイテムグラフの中央集権的保存とモデルの中央集権的学習に依存している。しかし、ユーザーのデータはプライバシーに敏感であり、ユーザー・アイテムグラフの中央集権的保存はプライバシー上の懸念やリスクを引き起こす可能性がある。本論文では、プライバシーを保護しつつ、分散型ユーザーデータから共同でGNNモデルを学習可能であり、かつ高次のユーザー・アイテム相互作用情報を有効に活用できるフェデレーテッドフレームワークを提案する。本手法では、各ユーザークライアントにおいて、ローカルのユーザー・アイテム相互作用データから推定されたユーザー・アイテムグラフに基づいて、GNNモデルをローカルに学習する。各クライアントは、学習されたGNNのローカル勾配をサーバーにアップロードし、サーバーで集約された勾配が再度クライアントに送信されて、ローカルGNNモデルの更新に用いられる。ローカル勾配には個人情報が含まれる可能性があるため、ローカル微分プライバシー（Local Differential Privacy）技術を適用し、ユーザーのプライバシーを保護する。さらに、ユーザーが相互作用したアイテムのプライバシーを保護するため、ランダムにサンプリングされたアイテムを「擬似相互作用アイテム」として導入する手法を提案する。高次のユーザー・アイテム相互作用を効果的に取り入れるため、共に同一アイテムに相互作用した近隣ユーザーを特定し、その埋め込み（embedding）を交換することで、プライバシーを保持しつつローカルのユーザー・アイテムグラフを拡張する手法を提案する。6つのベンチマークデータセットを用いた広範な実験により、本手法が従来の中央集権的GNNベースの推薦手法と同等の性能を達成しつつ、ユーザーのプライバシーを効果的に保護できることを実証した。