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)

  • 企业微信营销千万不要学的六点(企业微信营销比较好的案例)

    企业微信营销千万不要学的六点(企业微信营销比较好的案例)

  • 腾讯视频多个手机同时登录怎么弄(腾讯视频 多个手机)

    腾讯视频多个手机同时登录怎么弄(腾讯视频 多个手机)

  • 小米civi是曲面屏吗(小米civi曲面屏弧度多大)

    小米civi是曲面屏吗(小米civi曲面屏弧度多大)

  • 网易云怎么发动态(网易云怎么发动态图片)

    网易云怎么发动态(网易云怎么发动态图片)

  • 微信转错账怎么追回(微信转错账怎么联系对方)

    微信转错账怎么追回(微信转错账怎么联系对方)

  • 苹果手机怎么把步数放桌面(苹果手机怎么把通讯录传到另一个手机)

    苹果手机怎么把步数放桌面(苹果手机怎么把通讯录传到另一个手机)

  • 电量过低请继续充电什么意思(电量过低请继续充电英文)

    电量过低请继续充电什么意思(电量过低请继续充电英文)

  • 光源e27什么意思(光源e27乘3是多少)

    光源e27什么意思(光源e27乘3是多少)

  • 10.2寸ipad是什么型号(ipad 10.2英寸属于ipad几)

    10.2寸ipad是什么型号(ipad 10.2英寸属于ipad几)

  • 上传附件是什么意思(什么叫上传附件)

    上传附件是什么意思(什么叫上传附件)

  • 微视令牌可以送好友吗(微视领钱)

    微视令牌可以送好友吗(微视领钱)

  • lndal40华为什么机型(华为lndal40什么型号手机)

    lndal40华为什么机型(华为lndal40什么型号手机)

  • pd充电器什么意思(pd充电器和普通充电器有什么区别)

    pd充电器什么意思(pd充电器和普通充电器有什么区别)

  • 为什么电信卡突然就用不了网络了(为什么电信卡突然变成2g了)

    为什么电信卡突然就用不了网络了(为什么电信卡突然变成2g了)

  • 图层缩略图在哪里(图层缩览图在哪里点)

    图层缩略图在哪里(图层缩览图在哪里点)

  • 携程购票5元的附加是什么(携程购票5元的票怎么退)

    携程购票5元的附加是什么(携程购票5元的票怎么退)

  • 抖音怎么拍自己的原声视频(抖音怎么拍自己的原声带伴奏)

    抖音怎么拍自己的原声视频(抖音怎么拍自己的原声带伴奏)

  • iphone取消热点密码怎么设置(iphone热点如何取消密码)

    iphone取消热点密码怎么设置(iphone热点如何取消密码)

  • a3010是什么型号(a30是什么手机型号)

    a3010是什么型号(a30是什么手机型号)

  • mq752ll a是什么版本(ml752cha是什么版本)

    mq752ll a是什么版本(ml752cha是什么版本)

  • x是不是双卡双待(x有双卡双待吗)

    x是不是双卡双待(x有双卡双待吗)

  • 苹果手机发短信特效为什么对方看不到(苹果手机发短信怎么知道对方拉黑)

    苹果手机发短信特效为什么对方看不到(苹果手机发短信怎么知道对方拉黑)

  • vivos1能不能人脸识别(vivos1人脸识别吗)

    vivos1能不能人脸识别(vivos1人脸识别吗)

  • 荣耀20怎么插耳机(荣耀20手机耳机插孔在哪)

    荣耀20怎么插耳机(荣耀20手机耳机插孔在哪)

  • 如何在Windows11上下载和安装 Minecraft?Win11上下载和安装Minecraft教程(如何在windows11上安装动态壁纸)

    如何在Windows11上下载和安装 Minecraft?Win11上下载和安装Minecraft教程(如何在windows11上安装动态壁纸)

  • 鸟瞰生长在森林中的树木,加拿大不列颠哥伦比亚省温哥华 (© Michael Wu/EyeEm/Getty Images)(鸟瞰生长在森林中的植物)

    鸟瞰生长在森林中的树木,加拿大不列颠哥伦比亚省温哥华 (© Michael Wu/EyeEm/Getty Images)(鸟瞰生长在森林中的植物)

  • 一般纳税人收到专票怎么认证
  • 税控财务软件装什么系统
  • 个体工商户需要交税吗?怎么交?
  • 带薪年假是入职就有还是要等一年以后
  • 产品质量问题赔偿账务处理
  • 核定征收可以改查账征收吗
  • 结转城建税和教育费附加
  • 半年度奖金怎么算
  • 无形资产摊销和累计摊销一样吗
  • 专用凭证和通用凭证的联系和区别
  • 机器不生产计提折旧吗
  • 食堂收支情况
  • 建筑工地的零星补单是指什么意思
  • 非税收入一般缴款书可以抵扣吗
  • 不动产权证拆迁的话有什么作用
  • 企业收到跨年度的政府补贴款,是否计入当年企业所得税
  • 公司购车购置税怎么交款
  • 你如何界定成本与费用之间区别?
  • 发票开错导致不能按时入账该怎么处理呢?
  • 减免税款怎么入账
  • 非流动资产基金是什么意思
  • 零申报的企业资产负债表
  • 食堂外包服务费可以抵扣进项税吗
  • 以前年度的库存商品出现负数今年如何入账
  • 进口货物账务处理外币
  • 已签收的电子银行承兑汇票截图给别人有风险吗
  • 进口关税和进口增值税怎么算
  • 怎样提取word中的图片
  • 报销旅游门票怎么报销
  • 最大的数码相机是多少寸
  • PHP:stream_get_transports()的用法_Stream函数
  • 什么叫错账调整
  • PHP中使用什么关键字声明变量的作用域为全局
  • 原材料废料怎么做账
  • .exe是指什么文件
  • 跨省不动产登记
  • 污水处理厂能享受补助吗
  • thinkphp excel
  • 自己买材料自己装修
  • 房产税和城镇土地使用税需要计提吗
  • 基于改进yolov4论文
  • node 文件
  • 未拿到发票怎么做账
  • 工业总产值和营业收入关系
  • python语言接收信息的内置函数
  • 资产负债表有投资成本吗
  • 公司股票买卖账务处理
  • 债务抵销的顺序
  • 进项的加计抵减怎么算
  • 营业总收入同比增长怎么分析
  • 别人借我的对公账户打钱
  • 集团公司股份
  • 支付平台费率
  • 税盘减免会计分录
  • 冲暂估成本怎么做分录
  • 工伤事故补助或赔偿标准
  • 退回的企业所得税计入什么科目
  • 什么叫小微企业主?
  • 餐费补贴属于工资还是福利费
  • 租赁写字楼的需求有哪些
  • 累计折旧减少记哪方
  • 优化sql语句10种方法
  • microsoft window vista
  • macfic
  • 用户账户限制
  • mac怎么利用蓝牙传输文件
  • sudo service: command not found 报错的解决方法
  • win10电池图标不动
  • linux操作系统内核
  • win10教育版登录
  • js分页逻辑
  • vue中使用node
  • perl \w
  • JAVA的OPENGL,JOGL入门实例----碰撞移动的正方体 (配置+源代码)
  • unity连接数据库能做什么
  • eslint-plugin
  • shell脚本启动应用程序
  • unity导出ios项目到iphone
  • 云南人社12333app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