去中心化的联邦图神经网络

《Decentralized Federated Graph Neural Networks》论文阅读笔记

发表在2021年的IJCAI

1. 背景
   GNN广泛用来分析图结构数据，然而，在用户端有隐私，规则限制，商业竞争等。因此，我们能看到的图结构数据是分布式的，这也就限制了GNN的应用。
2. 已有方法
   已有一些关于中心化联邦图神经网络的研究，中心服务器协调各个参与者从图结构数据中训练的GNN模型。
3. 存在问题
   中心服务器需要进行模型聚合操作，在很多跨领域场景下，这种中心服务器是不被接受的。因此，去中心化的学习模型在真实场景下还是很关键的。
4. 本文
   提出一种去中心化的联邦图神经网络D-FedGNN，允许多个参与者训练一个图神经网络模型，且不需要中心服务器。具体的，使用去中心化的并行梯度下降是算法DP-SGD，在点对点的网络结构中训练图神经网络模型。为了保护模型聚合过程中的隐私，D-FedGNN引入Diffie-Hellman key exchange方法在客户端进行安全模型聚合。
   
5. 具体
   5.1 初始化
   每个客户端有自己的子图，G = (V,E)，在初始阶段，客户端初始化训练模型参数，然后将训练好的模型参数发送给其他客户端，最终，调用Diffie-Hellman密钥交换协议，与j客户建立共享密钥。
   5.2 本地模型更新：
   每个客户端利用自己的隐私数据训练图神经网络模型，在训练过程中，每个客户端首先生成节点的嵌入向量X，执行前向图卷积层的计算：
   其中，D是邻接矩阵，编码图中的边信息，可以进行图变换，如拉普拉斯矩阵。δ是非线性激活函数ReLU。
   假设有l个图卷积层，则GCN的输出：
   
   损失函数：
   
   反向传播更新模型：
   
   5.3 安全模型聚合：
   客户端首先将本地的模型参数安全掩码：
   
   其中，PRG()是伪随机数生成器，sk是客户端i，j共享的密钥。