位置: IT常识 - 正文

【论文导读】 - 关于联邦图神经网络的3篇文章(论文 导论)

编辑:rootadmin
【论文导读】 - 关于联邦图神经网络的3篇文章 文章目录Federated Graph Neural Networks: Overview, Techniques and Challenges论文信息摘要主要内容A federated graph neural network framework forprivacy-preserving personalization论文信息摘要主要内容Decentralized Federated Graph Neural Networks论文信息摘要主要内容Federated Graph Neural Networks: Overview, Techniques and Challenges论文信息

推荐整理分享【论文导读】 - 关于联邦图神经网络的3篇文章(论文 导论),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:论文导读是什么意思,论文导读怎么写,论文导读怎么写,论文导读怎么做,论文导读是什么意思,论文 导论,论文导读怎么做,论文导读怎么写,内容如对您有帮助,希望把文章链接给更多的朋友!

联邦图神经网络:概述、技术和挑战

原文地址:https://arxiv.org/abs/2202.07256

摘要

With its powerful capability to deal with graph data widely found in practical applications, graph neural networks (GNNs) have received significant research attention. However, as societies become in-creasingly concerned with data privacy, GNNs face the need to adapt to this new normal. This has led to the rapid development of federated graph neural networks (FedGNNs) research in recent years.Although promising, this interdisciplinary field is highly challenging for interested researchers to enter into. The lack of an insightful survey on this topic only exacerbates this problem. In this paper, we bridge this gap by offering a comprehensive survey of this emerging field. We propose a unique 3-tiered taxonomy of the FedGNNs literature to provide a clear view into how GNNs work in the context of Federated Learning (FL). It puts existing works into perspective by analyzing how graph data manifest themselves in FL settings, how GNN training is performed under different FL system architectures and degrees of graph data overlapacross data silo, and how GNN aggregation is performed under various FL settings. Through discussions of the advantages and limitations of existingworks, we envision future research directions that can help build more robust, dynamic, efficient, and interpretable FedGNNs.

图神经网络( GNNs )凭借其强大的处理实际应用中广泛存在的图数据的能力,受到了广泛的研究关注。然而,随着社会越来越关注数据隐私,GNNs面临着适应这种新常态的需要。这导致了近年来联邦图神经网络( FedGNNs )研究的快速发展。虽然前景广阔,但这一跨学科领域感兴趣的研究者来说是极具挑战性的。对这一领域缺乏深入的调查只会加剧这一问题。在本文中,我们通过提供对这一新兴领域的全面调查来弥补这一差距。我们对FedGNNs文献提出了一个独特的3层分类法,以提供对GNNs如何在联邦学习( Federation Learning,FL )背景下工作的清晰视图。通过分析图数据在FL设置中的表现形式,不同FL系统架构和图数据跨数据仓重叠程度下如何进行GNN训练,以及不同FL设置下如何进行GNN聚合,对现有工作进行了展望。通过讨论现有工作的优势和局限性,我们展望了未来的研究方向,这些方向可以帮助构建更健壮、更动态、更高效和更易于解释的联邦图神经网络。

主要内容该文提出了一种多层分类法。 该分类法首先根据图数据与联邦学习数据拥有者之间的关系划分;然后基于不同联邦学习架构下如何执行图神经网络训练、图数据重叠程度划分,最后基于不同联邦学习设置下如何执行GNN聚合。并分析了现有FedGNN方法的优势和局限性,并讨论了未来的研究方向。

A federated graph neural network framework forprivacy-preserving personalization论文信息

面向隐私保护个性化的联合图神经网络框架

【论文导读】 - 关于联邦图神经网络的3篇文章(论文 导论)

原文地址:https://doi.org/10.1038/s41467-022-30714-9

摘要

Graph neural network (GNN) is effective in modeling high-order interactions and has been widely used in various personalized applications such as recommendation. However, mainstream personalization methods rely on centralized GNN learning on global graphs, which have considerable privacy risks due to the privacy-sensitive nature of user data. Here, we present a federated GNN framework named FedPerGNN for both effective and privacy-preserving personalization. Through a privacy-preserving model update method, we can collaboratively train GNN models based on decentralized graphs inferred from local data. To further exploit graph information beyond local interactions, we introduce a privacy-preserving graph expansion protocol to incorporate high-order information under privacy protection. Experimental results on six datasets for personalization in different scenarios show that FedPerGNN achieves 4.0% ~ 9.6% lower errors than the state-of-the-art federated personalization methods under good privacy protection. FedPerGNN provides a promising direction to mining decentralized graph data in a privacy-preserving manner for responsible and intelligent personalization.

图神经网络( Graph Neural Network,GNN )在建模高阶交互方面十分有效,已被广泛应用于推荐等各种个性化应用中。然而,主流的个性化方法依赖于全局图上的集中式GNN学习,由于用户数据的隐私敏感特性,这些方法存在相当大的隐私风险。在这里,我们提出了一个名为FedPerGNN的联邦GNN框架,用于有效和隐私保护的个性化。通过一种保护隐私的模型更新方法,我们可以基于从本地数据推断的分散图协同训练GNN模型。为了进一步利用局部交互之外的图信息,引入了一个隐私保护的图扩展协议,以在隐私保护下纳入高阶信息。在6个不同场景下的个性化数据集上的实验结果表明,在良好的隐私保护下,FedPerGNN比现有的联合个性化方法降低了4.0 % ~ 9.6 %的误差。FedPerGNN以保护隐私的方式挖掘分散的图数据,为智能个性化提供了一个很有前途的方向。

主要内容提出了一个名为FedPerGNN的联邦GNN框架,它可以通过以保护隐私的方式挖掘高阶用户-项目交互信息来支持保护隐私的个性化。开发了一种保护隐私的模型更新方法,通过局部差分隐私( LDP )和伪交互项采样方法来保护用户-项目交互信息。设计了一个隐私保护的图扩展协议,在不泄露用户隐私的情况下利用高阶图信息。在六个广泛使用的数据集上进行了不同场景下的个性化实验。 Decentralized Federated Graph Neural Networks论文信息

去中心化的联邦图神经网络

原文地址:https://federated-learning.org/fl-ijcai-2021/FTL-IJCAI21_paper_20.pdf

摘要

Due to the increasing importance of user-side pri-vacy, federated graph neural networks are pro-posed recently as a reliable solution for privacy-preserving data analysis by enabling the jointtraining of a graph neural network from graph-structured data located at different clients. How-ever, existing federated graph neural networks arebased on a centralized server to orchestrate thetraining process, which is unacceptable in manyreal-world applications such as building financialrisk control models across competitive banks. Inthis paper, we propose a new Decentralized Feder-ated Graph Neural Network (D-FedGNN for short)which allows multiple participants to train a graphneural network model without a centralized server.Specifically, D-FedGNN uses a decentralized par-allel stochastic gradient descent algorithm DP-SGD to train the graph neural network model ina peer-to-peer network structure. To protect privacy during model aggregation, D-FedGNN intro-duces the Diffie-Hellman key exchange method toachieve secure model aggregation between clients.Both theoretical and empirical studies show that theproposed D-FedGNN model is capable of achiev-ing competitive results compared with traditionalcentralized federated graph neural networks in thetasks of classification and regression, as well as significantly reducing time cost of the communication of model parameters.

由于用户侧隐私的重要性日益增加,最近,联邦图神经网络被提出作为隐私保护数据分析的可靠解决方案,它能够从位于不同客户端的图结构数据中联合训练图神经网络。然而,现有的联邦图神经网络都是基于一个集中的服务器来协调训练过程,这在许多实际应用中都是不可接受的,比如在竞争银行之间建立金融风险控制模型。本文提出了一种新的去中心化的Federated图神经网络(简称D - FedGNN),它允许多个参与者在没有中心化服务器的情况下训练一个图神经网络模型。具体地,D - FedGNN采用去中心化的并行随机梯度下降算法DP - SGD在对等网络结构中训练图神经网络模型。为了保护模型聚合过程中的隐私,D - FedGNN引入了Diffie -赫尔曼密钥交换方法来实现客户端之间的安全模型聚合。理论和实证研究均表明,与传统的集中式联邦图神经网络相比,所提出的D - FedGNN模型能够在分类和回归任务中获得有竞争力的结果,并显著降低了模型参数通信的时间成本。

主要内容研究了图数据上的去中心化联邦学习问题,使得多个参与者可以在不依赖中心服务器的情况下协同训练图神经网络模型;提出了一种新的基于去中心化并行随机梯度下降算法( DP-SGD )和Diffie -赫尔曼密钥交换方法的D - FedGNN模型,以实现具有隐私保护的图神经网络的去中心化学习;从理论和实证两方面研究了D - FedGNN的性能。

本文链接地址:https://www.jiuchutong.com/zhishi/297756.html 转载请保留说明!

上一篇:Vue 组件强制刷新方式(vue组件强制刷新)

下一篇:【C#+JavaScript+SQL Server】实现Web端在线考试系统 五:考试模块设计(附源码和资源)

  • 煤气灶打不着火怎么办感觉不通气(煤气灶打不着火怎么办)(煤气灶打不着得用打火机)

    煤气灶打不着火怎么办感觉不通气(煤气灶打不着火怎么办)(煤气灶打不着得用打火机)

  • 支付宝里的余额宝怎么关闭(支付宝里的余额怎么转到余额宝里)

    支付宝里的余额宝怎么关闭(支付宝里的余额怎么转到余额宝里)

  • word文档如何删除空白页(word文档如何删除水印)

    word文档如何删除空白页(word文档如何删除水印)

  • 小红书怎么上传原视频(小红书怎么上传本地音乐)

    小红书怎么上传原视频(小红书怎么上传本地音乐)

  • 苹果x看不见短信特效(苹果x看不到短信)

    苹果x看不见短信特效(苹果x看不到短信)

  • 腾讯qq人工服务电话多少(腾讯qq人工服务在线咨询)

    腾讯qq人工服务电话多少(腾讯qq人工服务在线咨询)

  • 苹果手机照片怎么编辑涂抹(苹果手机照片怎么加密码)

    苹果手机照片怎么编辑涂抹(苹果手机照片怎么加密码)

  • 微信小程序怎样打开(微信小程序怎样注销)

    微信小程序怎样打开(微信小程序怎样注销)

  • 淘宝账号健康度一般多久恢复(淘宝账号健康度没有显示)

    淘宝账号健康度一般多久恢复(淘宝账号健康度没有显示)

  • iphone7进水了怎么办(苹果7进水了按钮不灵了怎么办)

    iphone7进水了怎么办(苹果7进水了按钮不灵了怎么办)

  • 小米9与红米k20pro对比(小米9与红米K50的对比)

    小米9与红米k20pro对比(小米9与红米K50的对比)

  • 苹果nq开头是什么版本(苹果型号nqa开头是啥)

    苹果nq开头是什么版本(苹果型号nqa开头是啥)

  • 相机电池可以一直放在里面吗(相机电池可以一直用吗)

    相机电池可以一直放在里面吗(相机电池可以一直用吗)

  • 微信删除了好友,对方的好友列表还有自己吗(微信删除了好友还能加回来吗)

    微信删除了好友,对方的好友列表还有自己吗(微信删除了好友还能加回来吗)

  • 数据库系统与文件系统的主要区别(数据库系统与文件管理系统相比较,数据的冗余度)

    数据库系统与文件系统的主要区别(数据库系统与文件管理系统相比较,数据的冗余度)

  • 小米cc9e有呼吸灯吗(小米cc9e呼吸灯)

    小米cc9e有呼吸灯吗(小米cc9e呼吸灯)

  • 拼多多怎么投诉卖家(拼多多怎么投诉商家,电话号码多少)

    拼多多怎么投诉卖家(拼多多怎么投诉商家,电话号码多少)

  • 为什么苹果手机下不了小红书(为什么苹果手机发烫严重)

    为什么苹果手机下不了小红书(为什么苹果手机发烫严重)

  • pcam10是oppo什么型号(pcam10是oppo什么型号128级)

    pcam10是oppo什么型号(pcam10是oppo什么型号128级)

  • 快手充值怎么退款(快手充值怎么退不了了)

    快手充值怎么退款(快手充值怎么退不了了)

  • vivoz3i有没有快充(vivoz3i快捷怎么设置)

    vivoz3i有没有快充(vivoz3i快捷怎么设置)

  • 小米和小米有品什么关系(小米跟小米有品什么关系)

    小米和小米有品什么关系(小米跟小米有品什么关系)

  • 收据怎么写/收据的写法(收据怎么写比较规范)

    收据怎么写/收据的写法(收据怎么写比较规范)

  • IDEA如何运行SSM项目(超详细图解)(idea如何运行ssm项目spring)

    IDEA如何运行SSM项目(超详细图解)(idea如何运行ssm项目spring)

  • 税收收入包括哪些形式
  • 进项税转出的金额含税吗
  • 中国注册税务师报考条件
  • 个体工商户申报个税是按月按季度
  • 合伙企业的费用在何处扣除
  • 医疗费用收费票据
  • 工程施工和工程结算对冲有差额的会计分录
  • 收到社保生育津贴摘要怎么写
  • 个税代扣代缴返还手续费如何入账
  • 外购商品用于赠送分录
  • 预估应付账款该怎么冲销
  • 企业购入车辆会计分录
  • 个税手续费返还政策最新规定2023
  • 物流 贷款
  • 收到施工方给红包怎样处理
  • 个人开利息发票的税率与会计分录
  • 报废资产取得的增值税
  • 企业代扣代缴的个人所得税应通过税金及附加科目核算
  • 冲回年初未年初分配利润分录
  • 企业所得税计入税金及附加科目吗
  • 砂石建筑材料验收规范
  • 购进电费管理费会计分录
  • 两万元大写金额报销单怎么写
  • 广告费超标今年怎么处理
  • 运输途中发生货物丢失
  • 管理费用没发票能入账吗
  • 上年度开具的发票存根联损毁应该怎么做
  • linux怎么改桌面背景
  • 基金收益率
  • 固定资产 出售
  • 政府的扶持资金是否缴税
  • 进项税年末需要结转么
  • 无序树有几种
  • 电脑开机时出现用户账户控制提示
  • 怎么开通公众号微信公众平台
  • 特殊行业需要缴什么税
  • 金融企业风险资产处理相关税收政策
  • 企业改制土地增值税政策
  • 取得交易性金融资产的交易费用
  • laravel 更新数据
  • netbeans ide 8.1
  • php静态函数
  • pytorch训练模型计算f1
  • php常用的打印函数
  • 10-Ajax&Vue
  • 货款收不回来了怎么做账
  • 公司开的餐费专票可以抵扣吗
  • 应收利息的会计处理方法
  • 采购商品的运费计入成本吗
  • 基本户不注销会扣钱吗
  • sql server创建数据表的完整语法
  • 递延收益的影响
  • 原始凭证分割单可以入账么
  • db2 21000怎么解决
  • mysql配置文件my.ini如何创建
  • 股东垫付的钱可以作为实收资本吗
  • 工程款多付了如何追回
  • 转出上年的进项税怎么算
  • 电子商业承兑会不会拿不到钱
  • 退回多交的所得税怎么退
  • 缴纳个人社保在哪里查询
  • 结账后发现期间损益结转的凭证做错
  • 收到专票未抵扣能购买方开红字发票吗
  • mysql从一个表导入记录到另一个表
  • u盘装win8系统教程图解
  • centos页面
  • w7打穿越火线
  • win8整理磁盘碎片的步骤
  • win7系统损坏无法开机怎么重装
  • linuxcoll
  • 模拟监控app
  • unity与android交互详细
  • 为什么使用json传输数据
  • Unity3D中Enabled、Destroy与Active的区别
  • JQuery之proxy实现绑定代理方法
  • 2、BluetoothChat之扫描设备DeviceListActivity.java
  • 电子发票未验真是假发票吗
  • 国家税务局太原税务局官网
  • 地税办理停保
  • 货物劳务税包括哪些税
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设