FedGNN: 개인 정보 보호를 위한 연합 그래프 신경망

그래프 신경망(GNN)은 사용자와 아이템 간의 고차원 상호작용을 모델링하기 위해 추천 시스템에서 널리 활용되고 있다. 기존의 GNN 기반 추천 방법은 사용자-아이템 그래프를 중앙 집중적으로 저장하고 모델 학습을 중앙에서 수행하는 방식에 의존한다. 그러나 사용자 데이터는 민감한 개인정보를 포함하므로, 사용자-아이템 그래프를 중앙 집중적으로 보관하는 것은 개인정보 보호에 대한 우려와 위험을 초래할 수 있다. 본 논문에서는 분산된 사용자 데이터로부터 공동으로 GNN 모델을 학습하면서도 사용자 간의 고차원 상호작용 정보를 효과적으로 활용하고, 개인정보를 안전하게 보호할 수 있는 연합 학습(federated learning) 기반의 프라이버시 보호 GNN 기반 추천 프레임워크를 제안한다. 본 연구에서 제안하는 방법은 각 사용자 클라이언트 내에서 로컬 사용자-아이템 상호작용 데이터로부터 추론된 사용자-아이템 그래프를 기반으로 로컬 GNN 모델을 학습한다. 각 클라이언트는 로컬 GNN 모델의 기울기(gradient)를 서버로 업로드하고, 서버는 이를 집계한 후 다시 클라이언트로 전달하여 로컬 모델을 업데이트한다. 로컬 기울기에는 개인 정보가 포함될 수 있으므로, 사용자 개인정보를 보호하기 위해 로컬 차별적 프라이버시(local differential privacy) 기법을 적용한다. 또한 사용자가 상호작용한 아이템들을 보호하기 위해, 무작위로 샘플링한 아이템을 가상 상호작용 아이템(pseudo-interacted items)으로 도입하여 익명성을 강화하는 방안을 제안한다. 고차원 사용자-아이템 상호작용 정보를 효과적으로 반영하기 위해, 공통으로 상호작용한 아이템을 공유하는 이웃 사용자를 탐색하고, 이를 통해 임베딩 정보를 교환함으로써 로컬 사용자-아이템 그래프를 프라이버시를 보장하는 방식으로 확장하는 사용자-아이템 그래프 확장 기법을 제안한다. 6개의 벤치마크 데이터셋을 대상으로 실시한 광범위한 실험 결과는 본 연구의 방법이 기존 중앙 집중식 GNN 기반 추천 방법과 경쟁 가능한 성능을 달성하면서도 사용자 개인정보를 효과적으로 보호함을 입증하였다.