연합 그래프 학습에서 그래디언트 기반 그래프 복원

초록

**
본 논문은 연합 그래프 학습(FGL) 환경에서 클라이언트가 전송한 그래디언트를 이용해 원본 그래프 구조와 노드 특성을 복원하는 새로운 공격 기법인 GraphDLG를 제안한다. 그래프 구조가 먼저 복원되면 노드 특성은 폐쇄형 재귀식으로 정확히 계산될 수 있다는 이론적 분석을 기반으로, 무작위 보조 그래프 혹은 실제 클라이언트 그래프를 활용해 복원 성능을 크게 향상시킨다. 실험 결과, 기존 방법 대비 그래프 구조 복원 AUC에서 25.04%, 노드 특성 복원 MSE에서 5.46% 이상의 개선을 달성하였다.

**

상세 분석

**
GraphDLG는 연합 그래프 학습(FGL)에서 발생하는 Deep Leakage from Gradients (DLG) 문제를 그래프 데이터에 특화시킨 최초의 연구이다. 기존 DLG 연구는 주로 이미지·텍스트와 같은 독립적인 데이터에 초점을 맞추었으며, 그래프와 같이 구조와 특성이 얽혀 있는 경우는 다루지 못했다. 논문은 먼저 그래프 구조와 노드 특성의 상호 의존성을 수학적으로 분석한다. GNN의 전방 전파 과정에서 노드 특성은 인접 행렬(그래프 구조)과 초기 특성의 선형 결합·비선형 변환을 거쳐 업데이트되며, 역전파 시 그래디언트는 이 연산들의 미분 형태를 포함한다. 중요한 통찰은 그래프 구조가 복원되면 노드 특성은 폐쇄형 재귀식
\