ICLRApr, 2021

FedGraphNN：图神经网络联邦学习系统和基准

PDF
TL;DR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。
graph neural networkfederated learningfl algorithmbenchmark systemdata privacy
发现论文，激发创造
  • 联邦图学习 -- 一个立场论文

    在分布式数据隐私敏感的场景下，集中式训练图神经网络模型面临一些挑战，因此我们提出了一种名为联邦图学习（FGL）的方法，借助于联邦学习技术在保持数据去中心化的同时共同训练模型，并对 FGL 进行了分类、讨论、挑战和应用倡议。

    May, 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

  • 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

  • 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

  • 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

  • FedGraph: 智能采样的联邦图学习

    本文介绍了一种名为 FedGraph 的联邦学习框架，它使用基于深度强化学习的智能图采样算法以及一种新的跨客户卷积操作来解决计算客户之间图学习的挑战，从而实现数据隐私保护和更好的性能表现。在四个流行数据集上的实验表明，FedGraph 显著优于现有的工作，并能够更快地收敛到更高的准确性水平。

    Nov, 2021

  • 将联邦图神经网络与结构感知的组公平性相结合

    F2GNN 是一种公平的联邦图神经网络，旨在解决分布式环境下模型偏见的问题，并通过公平感知的局部模型更新和公平加权的全局模型更新机制来提高模型的公平性和准确性。

    Oct, 2023

  • 使用图形超网络进行异构架构的联邦学习

    提出了一个新的标准联邦学习 (FL) 框架，该框架通过采用图形超网络进行参数共享，适应了异构客户端架构的需求，并在标准基准测试中表现显着优于现有解决方案。

    Jan, 2022

  • 联邦图机器学习：概念、技术和应用综述

    本篇综述介绍了联邦图机器学习 (FGML) 的分类和技术，并总结了不同领域的应用和现有研究的局限性和未来方向。

    Jul, 2022

  • FederatedScope-GNN：面向联邦图学习的统一、全面和高效程序包

    该研究提出了一个易于使用的 FGL 软件包 FS-G，提供模块化和表达 FGL 算法的统一视图，包括数据集库、模型库、模型自动调整和隐私攻击以及防御功能，广泛实验验证了其有效性和实用性。

    Apr, 2022