Poly‑GRACE: Polynomialbasierte SSL für sichere Graphenrepräsentationen

Selbstüberwachtes Lernen (SSL) hat sich als äußerst wirkungsvolles Verfahren etabliert, um Graphdaten ohne manuelle Labels zu verarbeiten. Doch die meisten führenden SSL‑Methoden, wie GRACE, nutzen nicht‑polynomielle Operationen, die mit Homomorpher Verschlüsselung (HE) nicht kompatibel sind. Das neue Verfahren Poly‑GRACE löst dieses Problem, indem es einen vollständig polynomfreundlichen Graph Convolutional Network (GCN) Encoder sowie eine neu entwickelte, polynomielle Kontrastverlustfunktion kombiniert.

Durch die Verwendung ausschließlich polynomischer Operationen kann Poly‑GRACE in einer HE‑Umgebung trainiert werden, wodurch die Privatsphäre der Daten gewahrt bleibt. In Experimenten auf den Benchmark‑Datensätzen Cora, CiteSeer und PubMed zeigte Poly‑GRACE nicht nur, dass private Vortrainings möglich sind, sondern erzielte auch Leistungen, die mit den Standard‑Non‑Private‑Baselines konkurrieren – und bei CiteSeer sogar überlegen sind.

Diese Ergebnisse markieren einen bedeutenden Fortschritt in Richtung praktikabler, leistungsfähiger graphbasierter Repräsentationslernen unter Wahrung der Privatsphäre.