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)

  • 充电电池1.2v和1.5v区别(充电电池1.2v和1.5v差价大不)

    充电电池1.2v和1.5v区别(充电电池1.2v和1.5v差价大不)

  • 苹果手机电量显示不准(苹果手机电量显示黄色什么意思)

    苹果手机电量显示不准(苹果手机电量显示黄色什么意思)

  • 耳机插头规格有几种(耳机插头的型号)

    耳机插头规格有几种(耳机插头的型号)

  • 麦克风阵列和麦克风区别(麦克风阵列和麦克风选哪个)

    麦克风阵列和麦克风区别(麦克风阵列和麦克风选哪个)

  • 手机内存越大越流畅吗(手机内存越大越重吗)

    手机内存越大越流畅吗(手机内存越大越重吗)

  • 腾讯视频能投屏到电视吗(腾讯视频能投屏吗怎么投屏)

    腾讯视频能投屏到电视吗(腾讯视频能投屏吗怎么投屏)

  • 打着语音电话闹钟会响吗(打着语音电话闹钟会响吗安卓)

    打着语音电话闹钟会响吗(打着语音电话闹钟会响吗安卓)

  • 钉钉下载手机版安卓版安装步骤(钉钉下载手机版安卓版下载安装2021)

    钉钉下载手机版安卓版安装步骤(钉钉下载手机版安卓版下载安装2021)

  • 京东值在哪里查看(京东怎么查京东值)

    京东值在哪里查看(京东怎么查京东值)

  • word怎么恢复未保存的文档(word怎么恢复未保存的数据)

    word怎么恢复未保存的文档(word怎么恢复未保存的数据)

  • 高德地图横版怎么设置(高德地图横版怎么调竖版)

    高德地图横版怎么设置(高德地图横版怎么调竖版)

  • qq标识帽子是什么(qq图标戴帽子)

    qq标识帽子是什么(qq图标戴帽子)

  • 手机为什么插卡无服务(手机为什么插卡不能用)

    手机为什么插卡无服务(手机为什么插卡不能用)

  • 华为watch gt2怎么设置锁屏(华为watchgt2怎么下载应用)

    华为watch gt2怎么设置锁屏(华为watchgt2怎么下载应用)

  • 抖音上能看到谁看过我吗(抖音上能看到谁浏览过我的视频吗)

    抖音上能看到谁看过我吗(抖音上能看到谁浏览过我的视频吗)

  • vivo iqooneo855有nfc吗

    vivo iqooneo855有nfc吗

  • vivo手机怎么截屏(vivo手机怎么截全屏)

    vivo手机怎么截屏(vivo手机怎么截全屏)

  • ip地址怎么改(ip地址怎么改到别的城市)

    ip地址怎么改(ip地址怎么改到别的城市)

  • 电脑自带浏览器在哪(电脑自带浏览器Microsoft Edge打不开怎么办?)

    电脑自带浏览器在哪(电脑自带浏览器Microsoft Edge打不开怎么办?)

  • 华为生活服务是干嘛的(华为生活服务是什么功能)

    华为生活服务是干嘛的(华为生活服务是什么功能)

  • 微信收款商业版怎么注销(微信收款商业版和个人收款码区别)

    微信收款商业版怎么注销(微信收款商业版和个人收款码区别)

  • 5g网络有什么功能(5g网络用来干嘛的)

    5g网络有什么功能(5g网络用来干嘛的)

  • 滴滴人脸识别多久可以再次人脸识别(滴滴人脸识别会被司机看到吗)

    滴滴人脸识别多久可以再次人脸识别(滴滴人脸识别会被司机看到吗)

  • xs64g够用吗

    xs64g够用吗

  • 房地产零税率
  • 三个案例看清增值税即征即退?
  • 进项税和销项税税率一样吗
  • 国家税务定额发票票样
  • 预付账款收不回发票怎么核销
  • 技术成果投资入股企业所得税递延纳税备案表
  • 境外设计费涉及税收
  • 单据核销不了
  • 材料已入库,发票账单未到的会计分录
  • 递延资产是长期待摊费用吗
  • 资产减值损失负数是好是坏
  • 营改增后对外投资无形资产是否需要交增值税呢?
  • 开了负数发票印花税减掉吗?
  • 所得税汇算清缴调整项目
  • 小规模纳税人月超15万季度不超45万
  • 小企业开发票了还能零报税吗?
  • 免交的增值税怎么退
  • 人力资源公司为个人代缴社保
  • 公司与银行签订的远期合约汇率是什么
  • 存货的损失计入什么科目
  • 发票密码区出格了怎么调整
  • 什么情况增值税专用发票不能抵扣
  • 营改增后征收增值税的税目
  • 购入样品账务处理
  • 出口货物怎么开具发票
  • 每个季度零申报需要做什么
  • linux系统怎么更改主机名
  • 资产负债率如何评价
  • 收到合同款
  • php上传文件参考文件类型
  • 展位费一般多少钱
  • 补充养老保险税收规定扣除率
  • 购货公司丢失发货怎么办
  • win10怎么投影到手机
  • h5适配iphonex
  • 营业外收入账户性质
  • oss对象储存的副本储存原则
  • 以前年度未入账固定资产账务处理
  • laravel 自定义类
  • 存货短缺会计处理
  • php获取访问者mac地址
  • vue中created和mounted
  • python web开发方向的第三方库有哪些
  • react redux reducer
  • 小规模纳税人要缴纳哪些税
  • 季度申报所得税时可以用以前年度亏损吗
  • 保险费支出是什么意思
  • 接受捐赠收入要缴纳企业所得税吗
  • python合并集合
  • 电力安装有前途吗
  • 劳务支出和应付职工薪酬
  • 在计算应纳税所得额时
  • 分公司可以在银行贴现吗
  • 建筑公司包工包料提供建筑服务
  • 结转制造费用用红字还是蓝字写
  • 学历教育服务增值税
  • 房屋租赁费如何结转成本
  • 收到银行的贷款怎么做会计分录
  • 个税手续费返还政策文件
  • 以前年度损益调整
  • 房地产企业资产负债率行业平均值
  • mysql 5.7.16 winx64安装配置方法图文教程
  • win10右键菜单怎么设置
  • linux终端记录
  • 怎么进入bios设置界面win10
  • 出现早搏就一辈子无法治愈吗
  • w7系统cf怎么调烟雾头
  • centos6.8升级centos7
  • win8自启动在哪儿设置
  • WIN10系统怎么改成泰语
  • android从服务器获取数据
  • 基于arcgis的python编程
  • batfor循环里变量计算
  • nodejs递归创建目录
  • W3C Group的JavaScript1.8 新特性介绍
  • javascript调用c语言
  • python flask debug
  • 车辆保险增值税税率是多少
  • 济南市中区税务局办税大厅
  • 山东省国家税务局官网
  • 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