May, 2021

FedGL: 具有全局自监督的联邦图学习框架

PDF
TL;DR文章提出一种基于联邦学习的图学习架构 FedGL，通过全局的自监督信息聚合每个客户机的模型，利用图数据的互补性，保护数据隐私并在分布式场景下提高模型质量。实验结果表明，FedGL 较传统方法在四个广泛使用的图数据集上表现优异。
graph learningfederated learningdata privacyglobal self-supervision informationdistributed scenarios
发现论文，激发创造
  • 基于分散框架的图形联邦学习

    图形联邦学习在多种场景中都有广泛的应用，需要更多的数据隐私保护。这篇研究论文提出了一种基于去中心化框架以及节点间数据相似性的图形联邦学习方法，通过线性加权聚合节点的梯度信息，实验证明该方法的有效性优于其他方法。

    Jul, 2023

  • 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

  • GraphFL: 用于图上半监督节点分类的联邦学习框架

    提供了第一个 FL 框架 (GraphFL)，用于解决非 IID 问题，处理新标签域的任务以及利用未标记的图形数据，使用代表性的图神经网络作为 GraphSSC 方法，并在多个图形数据集上评估，结果表明 GraphFL 显着优于比较的 FL 基线，GraphFL 通过自我训练可以获得更好的性能。

    Dec, 2020

  • 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

  • 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

  • FedGT：具有可扩展图变换器的联邦节点分类

    提出了一种可扩展的 FedGraphTransformer（FedGT）方法，通过混合注意力机制解决了分布式图神经网络在局部子图更新中缺失链接的问题，以及子图异构性和数据隐私保护的问题。实验证明了 FedGT 的优越性。

    Jan, 2024

  • AdaFGL: 异构拓扑下的联邦节点分类的新范式

    AdaFGL 是一个分布式的基于图神经网络的框架，通过引入 structure Non-iid split 的概念，提供了一种解决 Federated Graph Learning 中独特异构性挑战的新范式，实验证实其在 12 个图网络基准数据集上具有优异的性能。

    Jan, 2024

  • 基于结构化知识共享的非独立同分布图上联邦学习

    提出了 FedStar 框架，该框架是一种用于跨图联邦学习任务的 FGL 框架，其提取和共享公共底层结构信息，从而捕获更多基于结构的领域不变信息并避免特征不匹配问题。

    Nov, 2022

  • 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

  • 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