利用联邦学习提升物联网服务中隐私保护的知识图谱嵌入效果

《ACM Transactions on Internet Technology》：Enhancing Privacy-Preserving Knowledge Graph Embeddings with Federated Learning for IoT Services

知识图谱（KG）在物联网（IoT）中的隐私与可扩展性挑战催生联邦学习（FL）解决方案，本文提出FPKS框架通过中央服务器维护实体与关系分离的嵌入表，结合本地编码器-解码器架构（GCN变体+KGE评分函数）和双向复合算子（BiDGCN）实现多关系信息聚合，在保证隐私前提下显著提升知识图谱嵌入质量。

　　

摘要

作为对现实世界事实的结构化表示，知识图谱（KGs）在物联网（IoT）应用中发挥着至关重要的作用，这得益于它们强大的推理能力和可解释性。然而，私人用户的IoT KG数据通常需要被集中收集以用于嵌入训练，这带来了显著的隐私风险，并限制了分布式IoT环境中基于知识的下游应用的可扩展性。联邦学习（FL）作为一种去中心化模型训练的解决方案应运而生，消除了对直接数据收集的需求。然而，现有的联邦知识图谱嵌入（KGE）方法往往难以保留实体和关系的内在图结构，导致表示结果碎片化且不完整。此外，它们也难以有效捕捉个人KG中的多样化关系依赖性。为了解决这些挑战，本文提出了一种改进的联邦KG嵌入方法（FPKS），以实现保护隐私的KGE训练。FPKS框架由一个中央服务器和多个联邦客户端组成。为了增强客户端之间的实体和关系对齐，FPKS在服务器上为实体和关系分别维护嵌入表。此外，为了捕捉个人KG的结构和上下文信息，我们引入了一种基于图卷积网络（GCN）变体的本地编码器-解码器架构作为编码器，并使用KGE评分函数作为解码器。进一步地，我们提出了一种双向复合运算符（BiDGCN）来增强多关系信息的聚合。在两个广泛使用的KG数据集上的大量实验表明，FPKS显著优于现有方法，在确保数据隐私的同时提高了学习到的嵌入质量。我们的方法促进了去中心化的个人知识共享，标志着在安全高效的IoT知识驱动服务方面的一项进步。