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。
May, 2021
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
本文对子图联邦学习问题提出两种主要技术,即基于FedAvg的FedSage模型和带有缺失邻居生成器的FedSage +模型,以协作地训练功能强大且具有泛化能力的图形挖掘模型而无需直接共享图形数据。实验结果表明我们所提出的方法在四个真实世界的图形数据集中,表现出了良好的效果和效率,并且在理论上证明了其对于全局图的泛化能力。
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。
Oct, 2021
提出了DP-FedRec,一种基于差分隐私的联邦图神经网络,应用了私有集交集(PSI)技术实现子图扩展,保护客户隐私并解决非独立同分布数据问题,在保证客户隐私的同时取得了更好的性能表现。
Jun, 2022
本文提出了一种基于自我图的联邦图学习框架FedEgo,旨在解决分布式图数据中的隐私问题和统计异质性问题,通过将GraphSAGE应用于自我图以利用结构信息,并利用Mixup来处理隐私问题。我们提出了一种自适应混合系数策略来处理统计异质性,以帮助客户实现最佳个性化效果。实验结果表明FedEgo的有效性。
Aug, 2022
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
我们提出并研究了图神经网络的联邦图压缩新问题,通过将图压缩的梯度匹配过程分解为客户端梯度计算和服务器端梯度匹配,大大减轻了客户端的计算成本,并结合信息瓶颈原理,在联邦图训练中实现了会员隐私的保护。
May, 2024
跨庭院和跨设备的分散图联合学习具有很高的隐私保护性能,提出了HiFGL框架,它采用分层体系结构和秘密信息传递方案,可以在异构客户端中进行联邦图神经网络训练并确保图的完整性。
Jun, 2024
本文研究了在数据复杂性和互联性不断增加的背景下,传统图神经网络的不足之处,提出了一种新颖的联邦超图学习算法FedHGN。该算法通过跨客户端共享模型参数,训练本地HGNN模型,保护客户端隐私,从而有效地融合来自分布式设备的超图信息,实验结果显示该方法在多个实际数据集上优于传统的联邦图学习方法。
Aug, 2024