Nov, 2023

大规模和分散图的合作网络学习

PDF
TL;DR建立一种合作网络学习（CNL）框架以确保各种图任务的安全图计算，并解决图相关研究中的隐私问题和整合分布式图数据结构，从而促进网络研究社区的合作和创新。
graph researchcooperative network learningsecure graph computingdistributed dataprivacy concerns
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

  • 合作图神经网络

    图神经网络是基于迭代计算的节点表示的图机器学习流行架构之一；本文提出了一个新的框架，用于训练图神经网络，其中每个节点可以选择自己的策略，从而更灵活地探索图拓扑结构并进行学习。

    Oct, 2023

  • 大规模可学习的图卷积网络

    通过使用可学习的图卷积层 (LGCL) 和子图训练方法，本论文解决了卷积神经网络在处理通用图像数据时的困难，提高了基于节点分类任务的准确率和效率。

    Aug, 2018

  • 协作任务隐私的神经网络权重联合学习

    CoLN 是一种新颖的安全方法，用于合并机器学习模型，并维持数据隐私，同时保证在保护数据隐私的前提下提高模型的准确性，特别适用于医疗领域等隐私敏感领域。

    Apr, 2022

  • 本地学习，整体纠错：一种用于训练图神经网络的分布式算法

    本研究提出了一种基于图神经网络的、名称为 $ ext {{Learn Locally, Correct Globally}}$ (LLCG) 的、分布式算法，通过本地训练减少通信和内存开销，并利用全局服务器修正减少性能退化问题。实验结果显示 LLCG 可以显著提高效率且不损害性能。

    Nov, 2021

  • 图代理网络：为节点赋予去中心化的通信能力，提高对抗韧性

    本文提出了 Graph Agent Network，一个图结构的代理网络，用于解决节点分类的抵抗者攻击。GAgN 通过节点之间的去中心化交互，可以学习推断节点的全局感知来执行任务，从而防止恶意消息在整个系统中传播，在扰动的数据集上实现了最佳的分类准确性。

    Jun, 2023

  • 基于图神经网络的分散式控制器

    本文提出一种利用图网络来从数据中学习去中心化控制器的框架，通过解决群聚问题展示了其在动力学系统中的应用潜力。

    Mar, 2020

  • 隐私保护机制在联邦学习中的应用

    本文研究在联邦学习中，使用差分隐私和社区驱动方法来保障本地数据隐私，识别了一个安全漏洞并设计了两种攻击模式，Adversarial Mode 和 Backdoor Mode，实验结果表明这些攻击是有效的。

    May, 2023

  • 无线网络中基于图神经网络的隐私保护分散推断

    本文研究了使用图神经网络实现无线优化问题的去中心化控制 / 管理，提出了设计隐私保护信号和隐私保障训练算法来实现隐私保护推断，并在合成图数据上进行了广泛的模拟以验证理论分析。

    Aug, 2022

  • 图形对比学习与生成对抗网络

    通过引入生成对抗网络（GAN）以学习图的视图分布，GACN 是一个新颖的生成对抗性对比学习网络，用于图表示学习。经过大量实验证实 GACN 能够为 GCL 生成高质量的增强视图，并且优于十二种最先进的基准方法。值得注意的是，我们提出的 GACN 出乎意料地发现数据增强中生成的视图最终符合在线网络中著名的优先连接规则。

    Aug, 2023