서버 및 노드 단말을 포함하는 시스템에 있어서, 상기 시스템의 동작은, 상기 서버가 그래프 신경망을 저장하는 동작; 상기 노드 단말이 상기 서버에 접속하여 상기 그래프 신경망을 구성하는 그래프 구조에 포함된 노드 중 상호 작용한 이웃 노드의 정보를 다운로드하는 동작; 상기 노드 단말이 자신의 제1 노드에 대한 제1 특징값을 상기 서버에 전송하는 동작; 상기 서버가 상기 제1 특징값에 동형 암호화를 적용하여 상기 제1 노드의 0번째 특징 벡터를 생성해 상기 노드 단말에 전송하는 동작; 및상기 노드 단말이 상기 제1 노드의 0번째 특징 벡터와 상기 다운로드한 이웃 노드의 정보를 기초로 상기 제1 노드의 제1 임베딩을 도출하는 동작을 포함하는시스템.

제1항에 있어서,상기 그래프 신경망은 그래프 구조에 포함된 노드의 특징값에 동형 암호화를 적용한 후 생성된 0번째 특징 벡터로부터 임베딩이 도출되도록 학습된시스템.

제1항에 있어서,상기 제1 노드의 제1 임베딩을 도출하는 동작 이후, 상기 노드 단말이 상기 제1 노드의 0번째 특징 벡터에 대한 첫번째 집계 결과에 대해 차분 프라이버시(differential privacy) 기법을 수행하여, 상기 첫번째 집계 결과에 기 설정된 노이즈 수치 이상을 포함한다면, 상기 제1 임베딩을 상기 서버에 전송하는 동작을 더 포함하는, 시스템.

제3항에 있어서,상기 제1 임베딩을 상기 서버에 전송하는 동작 이후, 상기 서버가 상기 그래프 신경망에서 상기 제1 임베딩과 유사한 후보를 판별하는 동작을 더 포함하는시스템.

제4항에 있어서,상기 유사한 후보를 판별하는 동작은 상기 제1 임베딩과 상기 그래프 신경망에 포함된 임베딩을 score function에 입력하여 출력된 점수를 기초로 상기 후보를 판별하는 시스템.

제1항에 있어서,상기 노드 단말이 상기 제1 특징값을 상기 서버에 전송하는 동작은 상기 노드 단말이 상기 제1 특징값을 암호화하여 상기 서버에 전송하는 동작을 포함하고, 상기 서버가 상기 제1 노드의 0번째 특징 벡터를 생성해 상기 노드 단말에 전송하는 동작 이후에, 상기 노드 단말이 상기 제1 노드의 0번째 특징 벡터에 대해 상기 암호화에 대한 복호화를 수행하여 저장하는 동작을 더 포함하는, 시스템.

제1항에 있어서,상기 동형 암호화는Fully Homomorphic Encryption 방식을 포함하는, 시스템.

제1항에 있어서,상기 그래프 신경망은 n개(n은 자연수)의 레이어를 포함하고, 상기 이웃 노드의 정보는, 상기 이웃 노드의 0번째 특징 벡터 내지 n-1번째 특징 벡터(n은 상기 그래프 신경망의 레이어 개수)를 포함하는 시스템.

제8항에 있어서,상기 노드 단말이 상기 제1 임베딩을 도출하여 상기 서버에 전송하는 동작은 상기 제1 노드의 0번째 특징 벡터와 상기 이웃 노드의 0번째 특징 벡터 내지 n-1번째 특징 벡터를 이용하여 상기 그래프 신경망에 적용된 집계(aggregation) 방식을 n회(n은 상기 그래프 신경망의 레이어 개수) 수행하여 상기 제1 임베딩을 도출하는 동작을 포함하는 시스템.

서버 및 노드 단말을 포함하는 시스템이 수행하는 방법에 있어서, 상기 방법은 상기 서버가 그래프 신경망을 저장하는 동작; 상기 노드 단말이 상기 서버에 접속하여 상기 그래프 신경망을 구성하는 그래프 구조에 포함된 노드 중 상호 작용한 이웃 노드의 정보를 다운로드 하는 동작; 상기 노드 단말이 자신의 제1 노드에 대한 제1 특징값을 상기 서버에 전송하는 동작; 상기 서버가 상기 제1 특징값에 동형 암호화를 적용하여 상기 제1 노드의 0번째 특징 벡터를 생성해 상기 노드 단말에 전송하는 동작; 및상기 노드 단말이 상기 제1 노드의 0번째 특징 벡터와 상기 다운로드한 이웃 노드의 정보를 기초로 상기 제1 노드의 제1 임베딩을 도출하는 동작을 포함하는방법.

제10항에 있어서,상기 그래프 신경망은 그래프 구조에 포함된 노드의 특징값에 동형 암호화를 적용한 후 생성된 0번째 특징 벡터로부터 임베딩이 도출되도록 학습된방법.

제10항에 있어서,상기 제1 노드의 제1 임베딩을 도출하는 동작 이후, 상기 노드 단말이 상기 제1 노드의 0번째 특징 벡터에 대한 첫번째 집계 결과에 대해 차분 프라이버시(differential privacy) 기법을 수행하여, 상기 첫번째 집계 결과에 기 설정된 노이즈 수치 이상을 포함한다면, 상기 제1 임베딩을 상기 서버에 전송하는 동작을 더 포함하는, 방법.

제12항에 있어서,상기 제1 임베딩을 상기 서버에 전송하는 동작 이후, 상기 서버가 상기 그래프 신경망에서 상기 제1 임베딩과 유사한 후보를 판별하는 동작을 더 포함하는방법.

제13항에 있어서,상기 유사한 후보를 판별하는 동작은 상기 제1 임베딩과 상기 그래프 신경망에 포함된 임베딩을 score function에 입력하여 출력된 점수를 기초로 상기 후보를 판별하는 방법.

제10항에 있어서,상기 노드 단말이 상기 제1 특징값을 상기 서버에 전송하는 동작은 상기 노드 단말이 상기 제1 특징값을 암호화하여 상기 서버에 전송하는 동작을 포함하고, 상기 서버가 상기 제1 노드의 0번째 특징 벡터를 생성해 상기 노드 단말에 전송하는 동작 이후에, 상기 노드 단말이 상기 제1 노드의 0번째 특징 벡터에 대해 상기 암호화에 대한 복호화를 수행하여 저장하는 동작을 더 포함하는, 방법.

제10항에 있어서,상기 동형 암호화는Fully Homomorphic Encryption 방식을 포함하는, 방법.

제10항에 있어서,상기 그래프 신경망은 n개(n은 자연수)의 레이어를 포함하고, 상기 이웃 노드의 정보는, 상기 이웃 노드의 0번째 특징 벡터 내지 n-1번째 특징 벡터(n은 상기 그래프 신경망의 레이어 개수)를 포함하는 방법.

제17항에 있어서,상기 노드 단말이 상기 제1 임베딩을 도출하여 상기 서버에 전송하는 동작은 상기 제1 노드의 0번째 특징 벡터와 상기 이웃 노드의 0번째 특징 벡터 내지 n-1번째 특징 벡터를 이용하여 상기 그래프 신경망에 적용된 집계(aggregation) 방식을 n회(n은 상기 그래프 신경망의 레이어 개수) 수행하여 상기 제1 임베딩을 도출하는 동작을 포함하는 방법.

서버 및 노드 단말을 포함하는 시스템에 적용되는 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,상기 노드 단말이 상기 서버에 접속하여 그래프 신경망을 구성하는 그래프 구조에 포함된 노드 중 상호 작용한 이웃 노드의 정보를 다운로드 하는 동작; 상기 노드 단말이 자신의 제1 노드에 대한 제1 특징값을 상기 서버에 전송하는 동작; 상기 서버가 상기 제1 특징값에 동형 암호화를 적용하여 상기 제1 노드의 0번째 특징 벡터를 생성해 상기 노드 단말에 전송하는 동작; 및상기 노드 단말이 상기 제1 노드의 0번째 특징 벡터와 상기 다운로드한 이웃 노드의 정보를 기초로 상기 제1 노드의 제1 임베딩을 도출하는 동작을 포함하는방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체.

서버 및 노드 단말을 포함하는 시스템에 적용되는 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,상기 노드 단말이 상기 서버에 접속하여 그래프 신경망을 구성하는 그래프 구조에 포함된 노드 중 상호 작용한 이웃 노드의 정보를 다운로드 하는 동작; 상기 노드 단말이 자신의 제1 노드에 대한 제1 특징값을 상기 서버에 전송하는 동작; 상기 서버가 상기 제1 특징값에 동형 암호화를 적용하여 상기 제1 노드의 0번째 특징 벡터를 생성해 상기 노드 단말에 전송하는 동작; 및상기 노드 단말이 상기 제1 노드의 0번째 특징 벡터와 상기 다운로드한 이웃 노드의 정보를 기초로 상기 제1 노드의 제1 임베딩을 도출하는 동작을 포함하는방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 프로그램.