Jun, 2021

面向图卷积神经网络的垂直联邦学习框架

PDF
TL;DR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。
graph neural networkgnnprivacy-preservingfederated learningnode classification
发现论文，激发创造
  • 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

  • FedGCN: 图卷积网络联邦训练中的收敛与通信权衡

    介绍了一种使用联合学习的 FedGCN 算法用于训练分布式的图模型，它可以在大型图上进行半监督节点分类，具有快速收敛和较小的通信成本，相比先前的方法，FedGCN 只需要在一个预训练步骤中将客户端与中央服务器进行通信，显著降低通信成本。

    Jan, 2022

  • 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

  • 混合联邦图卷积神经网络：一种高效的混合联邦学习算法

    提出了一种称为 FedGraph 的泛化算法，该算法使用图卷积神经网络从客户端的子集中学习特征，捕捉特征共享信息，并采用简单但有效的聚类算法聚合每个客户端的深度神经网络生成的特征，同时保护数据隐私。

    Apr, 2024

  • 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

  • 图神经网络的隐私保护设计及其在纵向联邦学习中的应用

    本文介绍了一种基于 VFL 框架的端到端 GRL 方法，称为 VESPER，它建立在一种通用的隐私保护方案（PMP）上，允许对许多常见的图神经网络架构进行隐私保护。通过对具体图神经网络架构的设计选择进行讨论，我们提出了针对稠密图和稀疏图的解决方案和改进方法。对公共数据集和行业数据集的大量实证评估表明，VESPER 能够在合理的隐私预算下训练高性能的 GNN 模型。

    Oct, 2023

  • 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

  • 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

  • 文本分类的隐私保护图卷积神经网络

    本研究介绍了一种基于差分隐私的方法来保护敏感数据隐私，使得基于图结构的文本学习可以在保证隐私的同时具有较高的准确性。

    Feb, 2021

  • 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