金融交易图的同态加密GNN推理

基于摘要分析。本文研究跨银行反洗钱（AML）场景中，如何在不向中央服务器暴露交易特征及预测结果的条件下进行 GNN 推理。核心贡献是面向带边属性的交易多重图设计边中心 GNN，并结合 CKKS 同态加密与非线性多项式近似，使推理能够在加密特征上完成。 系统中，中央服务器持有明文图连接关系和预训练模型权重，各银行保留加密交易特征。因此，保护范围并非全部图信息：图拓扑和模型权重仍以明文存在。架构通过节点—边关联矩阵表达消息传递，在保留交易网络多重边及边属性结构的同时，将每次聚合转化为明文—密文矩阵乘积。针对 CKKS 只能计算多项式电路的限制，作者以 sign 函数的复合多项式近似各处非线性，并按激活位置分别校准；具体近似阶数、校准数据及误差控制尚未验证。 作者报告，在 IBM AML benchmark 上，模型表现可与明文基线竞争；使用消费级 GPU 时，单笔查询交易的端到端分类延迟最低为 5.31 秒，吞吐优化后每笔交易的摊销延迟可达 1.65 秒。摘要未给出具体性能指标、数据划分、基线配置、GPU 型号、批处理规模及加密参数，这两种延迟也不能视为同一执行协议。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 协作研究采用图结构输入，且允许服务器获知图拓扑与模型权重，该框架可能为加密特征推理提供算子设计参考，而不是已验证的 BCI 算法改进。可复用部分是关联矩阵聚合与多项式激活，需改造的是 EEG 图构建、节点或边特征定义及激活校准。低信噪比、跨被试分布变化和通道配置差异可能放大近似误差；秒级延迟也可能限制在线 BCI。一个可检验的小实验是，在固定 EEG 图模型、相同数据划分和权重下，对照原始明文推理、多项式明文推理与 CKKS 加密推理，分别测量预测偏差、任务指标及延迟。已有 EEG 相关工作尚未检索确认。