Jan, 2024

FedGTA：面向拓扑感知的联邦图学习中的平均化

PDF
TL;DR我们提出一种个性化优化策略，名为 Federated Graph Topology-aware Aggregation（FedGTA），通过拓扑感知的局部平滑置信度和混合邻居特征来优化分布式图学习方法，实现优越的性能和高度可扩展性。
federated graph learningfgl optimizationfgl modelfedgtalarge-scale graph learning
发现论文，激发创造
  • 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

  • FedTAD: 面向子图联邦学习的拓扑感知无数据知识蒸馏

    拓扑感知无数据知识蒸馏技术 (FedTAD) 可以解决子图异质性所带来的性能下降问题，通过优化局部 GNN 模型向全局模型的可靠知识转移，提高分布式图神经网络训练效果。

    Apr, 2024

  • 关于联邦学习的原则性本地优化方法

    本篇论文以三个方向推动本地方法的理论基础：（1）建立 FedAvg 的尖锐界限；（2）提出了 FedAvg 的有原则的加速方法 FedAc；（3）研究了扩展经典平滑设置的 Federated Composite Optimization 问题。

    Jan, 2024

  • GTFLAT: 基于博弈论的附加模块，为联邦学习聚合技术提供支持

    GTFLAT 基于博弈论，提出一种系统性的解决方案，对参与方的自我加权达成协议，使得在平均化任务中达到均衡状态，可以提高联邦学习算法的性能和训练效率。结果表明，使用 GTFLAT 可以增加 1.38％的顶级 1 测试准确性，同时需要少 21.06％的通信轮数来达到此准确性。

    Dec, 2022

  • 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

  • 联邦学习聚合：具有保证的新的鲁棒算法

    该研究对联邦学习框架下聚合策略进行了全面的数学收敛分析，并通过与 FedAvg 进行分类任务的比较来评估其性能，得出了新的聚合算法，该算法可以通过区分客户端贡献的价值来修改其模型架构。

    May, 2022

  • 具有无偏梯度聚合和可控元更新的联邦学习

    该研究旨在解决联邦学习过程中的梯度偏差和目标分布方面的问题，通过提出一个无偏梯度聚合算法和控制的元更新过程，实现更快的收敛速度和更高的准确度，具有广泛的适用性和实验验证重要性。

    Oct, 2019

  • FedGL: 具有全局自监督的联邦图学习框架

    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

  • FedPD: 一种具有最优速率和适应非独立同分布数据的联邦学习框架

    本文从原始对偶优化角度提出一种新的机器学习算法策略来解决分布式学习过程中的非凸问题，使得此算法成为分布式学习架构中所有特性最优秀的算法框架，并且具有通信效率。

    May, 2020