Nov, 2020

ASFGNN: 自动分离 - 联合图神经网络

PDF
TL;DR本文提出了一个自动化的分离式联邦图神经网络学习范式 (ASFGNN)，该范式包括 GNN 的训练和超参数调整两个主要组成部分，通过分离 - 联邦 GNN 学习模型和贝叶斯优化技术解决了数据的 Non-IID 问题和超参数调整的耗时问题，实验结果表明 ASFGNN 显著优于普通联邦 GNN。
graph neural networksnon-iid dataseparated-federated learningbayesian optimizationhyper-parameter tuning
发现论文，激发创造
  • FedHGN: 一种针对异构图神经网络的联邦框架

    本文提出了 FedHGN，这是一种新颖而通用的 FGL 框架，用于异构图神经网络，采用模式权重分离来启用模式不可知知识共享，并采用系数对齐来稳定训练过程和提高 HGNN 性能，确保更好的隐私保护，FedHGN 在三个异构图数据集上的表现优于本地训练和传统的 FL 方法。

    May, 2023

  • FedGKD: 在联邦图神经网络中释放协作的力量

    提出了 FedGKD，一种新的联邦图神经网络框架，利用客户端图数据集提取更好描述任务相关性的任务特征，并引入一种对全局协作结构感知的新型服务器端聚合机制，通过在六个不同规模的真实世界数据集上进行广泛实验，证明该框架的优越性。

    Sep, 2023

  • 隐私保护节点分类的纵向联邦图神经网络

    本文提出了基于联邦学习的 VFGNN 框架，用于解决图数据中的隐私节点分类任务，在保留数据隐私的同时获得了良好的效果。

    May, 2020

  • 非 IID 图上的联邦图分类

    该文介绍了一种基于图聚类的联邦学习框架 GCFL，它通过动态发现基于 GNN 梯度的本地系统集群，从而降低本地系统拥有的图的结构和特征异质性。该框架通过动态时间规整设计梯度序列聚类机制（GCFL +），其有效地应用于各种现实世界的图形分类任务中。

    Jun, 2021

  • FedGraphNN：图神经网络联邦学习系统和基准

    本研究介绍 FedGraphNN，一个用于解决中心化实际世界图形数据训练 GNN 所面临的隐私问题的开放式分布式学习平台，涵盖各种数据集，流行的 GNN 模型以及 FL 算法，维护源代码的统一公式和安全高效的系统支持。

    Apr, 2021

  • 跨节点联邦图神经网络用于时空数据建模

    提出了一种基于 Cross-Node Federated Graph Neural Network（CNFGNN）的联邦时空模型，旨在利用分布式数据的时空结构，对交通流量进行准确预测，并在交通流量预测任务中展示了其卓越的表现。

    Jun, 2021

  • SpreadGNN: 面向图神经网络的无服务器多任务联邦学习

    本研究提出 SpreadGNN，是一种新型的多任务联邦学习框架，能够在无中心服务器的情况下操作，使用一个具有收敛保证的新型优化算法 Decentralized Periodic Averaging SGD (DPA-SGD) 来解决分散式多任务学习问题，并在各种非独立同分布的分布式图层次 molecular property prediction 数据集上验证了其有效性。

    Jun, 2021

  • 面向图卷积神经网络的垂直联邦学习框架

    本文提出 FedVGCN 算法，是一个隐私保护的节点分类任务的联邦学习范式，能够推广到现有的 GCN 模型，将计算图数据分成两部分，在同态加密下，双方交换中间结果进行训练，实验结果表明 FedVGCN 在 GraphSage 的情况下是有效的。

    Jun, 2021

  • 一种用于具有不同图网络结构的节点分类任务的联邦参数聚合方法

    本研究提出了一种应用于不同图联邦场景的联邦聚合方法 FLGNN，并研究了图神经网络模型每一层参数共享的聚合效果。通过在真实数据集上进行实验证实了 FLGNN 的有效性，并设计了成员推断攻击实验和差分隐私防御实验以保证其隐私安全性。结果显示 FLGNN 具有良好的鲁棒性，并通过添加差分隐私防御方法进一步降低了隐私盗取的成功率。

    Mar, 2024

  • 基于图神经网络的联邦社交推荐

    本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

    Nov, 2021