Oct, 2021

PPSGCN：基于隐私保护子图采样的分布式 GCN 训练方法

PDF
TL;DR本文提出了一种基于隐私保护子图采样的分布式图卷积网络训练方法（PPSGCN），它避免了现有方法中直接交换不同客户端之间节点特征导致的数据隐私泄露问题，并且通过采样局部节点子集形成全局子图方式大大降低了通信和内存成本，在保护数据隐私的前提下具有更加优异的性能表现。
graph convolutional networksdistributed trainingprivacy-preserving subgraph samplingcommunication overheadmemory overhead
发现论文，激发创造
  • 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

  • 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

  • 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

  • 面向分布式训练的图卷积网络通信高效采样

    本文提出了一种通信高效的邻居采样方法，用于分布式训练图卷积网络，并在节点分类基准测试中证明了该方法显著降低了通信开销，损失很少的准确性。

    Jan, 2021

  • PipeGCN：基于流水线特征通信的图卷积网络高效全图训练

    PipeGCN 是一种隐藏分布式图卷积网络（GCN）培训中节点特征和特征梯度通信开销的简单而有效的方案，在训练吞吐量（1.7 倍〜28.5 倍）大幅提高的同时实现与现有全图培训方法相同的精度。

    Mar, 2022

  • 高精准、高效率和可扩展性的图嵌入算法

    本文提出了并行化技术，为图采样 GCN 提供卓越的可扩展性性能，在不妥协准确性的情况下，在非常大的图上实现了优秀的性能。具体地，我们保证了 GCN 的高效训练，并在计算和通信方面节约了数量级的开销，同时，我们的并行图嵌入在可扩展性、效率和准确性方面优于现有的方法。

    Oct, 2018

  • 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

  • 使用子图近似进行图卷积网络的分布式训练

    本文介绍了一种通过子图近似方案，在减小同步开销、降低内存占用的同时，解决分布式训练非独立同分布图形数据（如图卷积网络）中信息丢失与准确性问题的训练策略。

    Dec, 2020

  • 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

  • 自适应采样快速图表示学习

    本研究提出了一种自适应逐层采样方法和跨越较远节点的消息传递方法，以解决图形卷积网络在大规模图中的可扩展性问题，并通过实验验证了其有效性和更快的收敛速度。

    Sep, 2018