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)

  • 抖音可以删除浏览别人的痕迹吗(抖音可以删除浏览主页记录吗)

    抖音可以删除浏览别人的痕迹吗(抖音可以删除浏览主页记录吗)

  • wps表格常用技巧是什么(wps表格100个常用技巧)

    wps表格常用技巧是什么(wps表格100个常用技巧)

  • 喜马拉雅账号能同时好几个人登录吗(喜马拉雅账号能不能2个手机登陆)

    喜马拉雅账号能同时好几个人登录吗(喜马拉雅账号能不能2个手机登陆)

  • 华为荣耀9x电池是多少毫安的(华为荣耀9x电池寿命怎么看)

    华为荣耀9x电池是多少毫安的(华为荣耀9x电池寿命怎么看)

  • 抖音禁言多久可以解除(抖音禁言多久可以)

    抖音禁言多久可以解除(抖音禁言多久可以)

  • 荣耀20青春版支持nfc吗(荣耀20青春版支持红外遥控吗)

    荣耀20青春版支持nfc吗(荣耀20青春版支持红外遥控吗)

  • 华为手机微信消息来了为什么没显示不出来(华为手机微信消息怎么隐藏内容)

    华为手机微信消息来了为什么没显示不出来(华为手机微信消息怎么隐藏内容)

  • 钉耙qq红包怎么画(qq红包小叮当)

    钉耙qq红包怎么画(qq红包小叮当)

  • 笔记本电脑小数点是哪个键(笔记本电脑小数点符号在哪里)

    笔记本电脑小数点是哪个键(笔记本电脑小数点符号在哪里)

  • snsv笔记本电脑怎么开不了机了怎么办(snsv笔记本电脑价格)

    snsv笔记本电脑怎么开不了机了怎么办(snsv笔记本电脑价格)

  • 视频过大怎么发qq(视频过大怎么发送到微信)

    视频过大怎么发qq(视频过大怎么发送到微信)

  • 电话手表的取卡步骤(电话手表的取卡器长什么样子)

    电话手表的取卡步骤(电话手表的取卡器长什么样子)

  • 微信怎么设置语音通话免打扰(微信怎么设置语言)

    微信怎么设置语音通话免打扰(微信怎么设置语言)

  • 微视朋友圈能发60秒吗?(微视朋友圈能发多长视频)

    微视朋友圈能发60秒吗?(微视朋友圈能发多长视频)

  • 图片不超过300k是多大(图片不超过300kb什么时候最清晰)

    图片不超过300k是多大(图片不超过300kb什么时候最清晰)

  • 华为p30pro怎样截屏(华为p30pro怎样截长屏)

    华为p30pro怎样截屏(华为p30pro怎样截长屏)

  • 华为m5与m5青春版区别(华为M5与m5青春版)

    华为m5与m5青春版区别(华为M5与m5青春版)

  • 快手推广12小时和24小时有区别吗(快手推广12小时 为啥过了四个小时就不推了)

    快手推广12小时和24小时有区别吗(快手推广12小时 为啥过了四个小时就不推了)

  • 手机丢失怎么定位查找(手机丢失怎么定位追踪)

    手机丢失怎么定位查找(手机丢失怎么定位追踪)

  • ipsw.em降级怎么安装(ipswme降级如何在手机上安装)

    ipsw.em降级怎么安装(ipswme降级如何在手机上安装)

  • ios全称(IOS全称)

    ios全称(IOS全称)

  • 苹果裸机版是什么意思(苹果裸机版是什么意思啊)

    苹果裸机版是什么意思(苹果裸机版是什么意思啊)

  • 电话声音小怎么办(电话声音小怎么弄大)

    电话声音小怎么办(电话声音小怎么弄大)

  • cun-tl00是什么型号(cunal00)

    cun-tl00是什么型号(cunal00)

  • java实现电子发票中的发票税号等信息识别的几种可用方案(java实现电子发票)

    java实现电子发票中的发票税号等信息识别的几种可用方案(java实现电子发票)

  • 个人所得税退税是什么意思?
  • 汇算清缴补缴企业所得税怎么做账
  • 债权债务互抵怎么做账
  • 固定资产税前一次性扣除
  • 个人出租房屋需要办理什么手续
  • 冲红的专票要给购买方吗
  • 实收资本如何网上转账
  • 建筑 设计 招聘
  • 原始凭证包括会计档案吗
  • 存货造成的损失
  • 个人独资企业服务中心是干嘛的
  • 教育用地转让缴哪些税
  • 加油站的成品油许可证变更过后有什么风险
  • 预缴增值税为什么记借方
  • 企业借款不能超过资金多少
  • 哪些票据可以挂公司名下
  • 机器设备的损耗属于什么会计科目类别
  • 奖金计提发放会计分录
  • 已经缴纳税款怎么作废申报
  • 二手房有不动产统一发票吗
  • 金税盘清卡晚了一天会怎么样
  • 企业优惠条件
  • 公司购买的一次性纸杯计入哪个科目
  • 民办非企业所得税免税政策
  • 工资可以一次性计提全年的吗
  • 已备案购销合同
  • 应收账款坏账收回会计处理
  • 设备维保服务费会计分录
  • 自然人独资属于什么经济性质
  • 应如何做会计分录表
  • 上年度多计提的工资
  • 固定资产前期购买的后期入账怎么入?
  • 跨年的发票作废重新开具需要入账
  • 银行承兑汇票挂失手续费收费标准
  • 车船税不计提怎么做分录
  • Joomla简单判断用户是否登录的方法
  • element ui 左侧导航
  • php书籍读后感
  • thinkphp codeigniter
  • 简单易学的前端框架
  • 印花税是根据什么申报的
  • python装饰器如何保留原函数信息
  • 织梦图片集如何调用
  • 织梦一直显示上一页和下一页
  • 股权处置时点
  • 代开专票的个税减免吗?
  • 每天统计数据的表格
  • 收购发票加计扣除会计分录
  • 房地产行业扣税标准
  • 增值税附加税需要写进合同吗
  • 电子退库纳税人是什么意思
  • 发票开出来对方不走账会怎么样?
  • 什么叫做对公转账
  • 怎样充高速路etc现金
  • 小型润滑油生产设备要哪些
  • 借款费用应如何入账
  • 知识经济对会计的影响论文
  • mysql提高效率
  • mysql速成要多久
  • mysql80安装配置教程
  • UNIX系统中文件的索引表结构
  • win7系统环境变量无法编辑怎么办
  • 如何避免系统性风险
  • 电脑任务栏中没有网络图标
  • vs2013运行
  • msmpeng.exe是什么程序
  • centos ohmyzsh
  • linux里vim常用命令
  • 启动windows安全中心
  • Win10如何还原输入法
  • mingw 编译
  • 猜猜这关怎么过攻略
  • 一个简单的灵魂福楼拜
  • opengl编程实例
  • css实现放大缩小的动画效果
  • 如何给textarea赋值
  • 简单阐述javascript的主要作用
  • jquery的点击事件怎么写
  • jquery给输入框赋值
  • 个人领税票需要哪些资料
  • 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