联邦多标签传播

零精度损失

首个面向分布式属性网络的联邦多标签传播算法，通过标签扰动和同态加密保护顶点度与标签权重隐私的同时，保持与集中式算法完全一致的社区检测精度。

郭昆 · Dangrun, Chen · 黄青青 · Fuan, Li · Chen, Guo · Duanji, Wu · 刘西蒙 · Chen, Kai

IEEE Transactions on Network Science and Engineering 2023

参数信息

精度损失

0 %

技术优势

不需要改网络

与基于匿名化的方法不同，该方法不改变任何顶点或连边，隐私保护完全通过学习过程完成，因此识别出的社区结构与原始网络一致，消除了匿名化带来的结构失真。

应用场景

• 隐私保护社区发现：在不公开原始网络结构的情况下发现社区，可用于推荐系统、蛋白质功能预测和犯罪追踪中的敏感数据分析。
• 联邦图数据挖掘：对分布在不同参与方的图数据进行联合挖掘，各方无需共享原始图即可共同完成社区检测和后续分析。
• 分布式机器学习：作为分布式机器学习在属性网络上的一个实例，展示了如何在多参与方协同训练中保护中间变量和模型参数。