Mapp:一种模型不可知的隐私保护框架,用于双边图神经网络推理
《Neural Networks》:Mapp: A Model-Agnostic Privacy-Preserving Framework for Two-Party Graph Neural Network Inference
【字体:
大
中
小
】
时间:2026年05月19日
来源:Neural Networks 6.3
编辑推荐:
Juxiang Zeng|Pinghui Wang|Yangchao Qian|Tingqin Liu|Jing Tao|Xiaohong Guan摘要图神经网络(GNNs)在医疗保健和金融等关键领域取得了显著的成功,然而部署基于GNN的预测服务会引发隐私问题,这些问题涉及客户的
Juxiang Zeng|Pinghui Wang|Yangchao Qian|Tingqin Liu|Jing Tao|Xiaohong Guan
摘要
图神经网络(GNNs)在医疗保健和金融等关键领域取得了显著的成功,然而部署基于GNN的预测服务会引发隐私问题,这些问题涉及客户的敏感图数据以及服务器的专有模型。现有的神经网络安全推理协议在应用于GNN时面临重大挑战:以CNN为导向的方法无法高效处理图特定的操作,而专门针对GNN的协议要么做出限制性假设(例如,公开拓扑结构),要么采用特定于架构的设计,这需要为每种新的GNN变体进行大量重新设计,从而阻碍了其广泛部署。我们提出了MAPP,这是一个与模型无关的隐私保护框架,通过两项创新来解决这些问题。首先,我们利用知识蒸馏来训练轻量级的代理GNN,以复制多种目标架构。这使得一个优化后的安全协议能够服务于多种GNN变体,消除了特定于架构的重新设计,并通过轻量级代理模型降低了协议复杂性。其次,我们引入了图感知的协议优化机制,利用稀疏性来消除邻居聚合中的加密乘法操作,并将加密的权重乘法操作移到离线阶段。在7个数据集和4种目标架构上的评估表明,79%的代理模型达到了或超过了目标精度,精度提升幅度最高可达5个百分点。我们的优化协议实现了8.8-14.2倍的在线延迟减少和4.8-7.6倍的通信量减少,从而实现了高效的安全GNN推理。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号