Plog: An Efficient and Privacy-Preserving Collaborative Learning Framework on Vertically Partitioned Graph Data

Jiaqi Zhao

doi:10.1109/TKDE.2026.3676441

Plog: An Efficient and Privacy-Preserving Collaborative Learning Framework on Vertically Partitioned Graph Data

2026-03-23

0

PRE

AI

DOI：10.1109/TKDE.2026.3676441

原文链接

原文求助

摘要

En 中文

随着图神经网络（GNN）的快速发展和广泛应用，协同图学习（多个参与方利用各自的图数据协同构建GNN模型）已引起越来越多的关注。然而，该范式也引发了显著的隐私担忧，因为节点和边可能包含敏感个人信息，而现有的隐私保护方案往往以牺牲模型性能或带来巨大系统开销为代价。因此，本文提出了一种针对垂直分片图数据的高效且隐私保护的协同学习框架Plog。具体而言，我们首先设计了一种分解算法，将稀疏邻接矩阵分解为多个独立排列的和，这些排列轻量、可并行且适用于安全多方计算。在此基础上，基于相关性随机性精心定制了一种加权盲目批量排列协议，以安全高效地计算邻接矩阵乘法，解决了GNN推理和训练中的核心效率瓶颈。Plog的选择性安全性在理想-现实范式中得到正式验证。在三个真实数据集上的大量实验结果表明，与当前最优方案相比，Plog可将在线通信轮次减少46%，并将整体推理和训练时间提升1.73倍。

Keyword:

Graph neural network

secure multi-party computation

collaborative learning

Plog: An Efficient and Privacy-Preserving Collaborative Learning Framework on Vertically Partitioned Graph Data

摘要

期刊

机构