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)

  • iphone13后置摄像头像素多少(iphone13后置摄像头什么样)

    iphone13后置摄像头像素多少(iphone13后置摄像头什么样)

  • 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)

  • 小米云台摄像头怎么重新设置网络(小米云台摄像头安装内存卡)

    小米云台摄像头怎么重新设置网络(小米云台摄像头安装内存卡)

  • 荣耀30s有呼吸灯功能吗(华为荣耀30呼吸灯在哪)

    荣耀30s有呼吸灯功能吗(华为荣耀30呼吸灯在哪)

  • 小米浏览器图标不见了(小米浏览器图标没了)

    小米浏览器图标不见了(小米浏览器图标没了)

  • 手机进水后屏幕触摸没有反应怎么办(手机进水后屏幕失灵乱跳乱点怎么解决)

    手机进水后屏幕触摸没有反应怎么办(手机进水后屏幕失灵乱跳乱点怎么解决)

  • 拼多多注销账号后还是新用户吗(拼多多注销账号后订单还在吗)

    拼多多注销账号后还是新用户吗(拼多多注销账号后订单还在吗)

  • 华为nova7新手机第一次充电多长时间(华为nova7新手机多少钱)

    华为nova7新手机第一次充电多长时间(华为nova7新手机多少钱)

  • 苹果6s指纹解锁没反应(苹果6s指纹解锁在哪里)

    苹果6s指纹解锁没反应(苹果6s指纹解锁在哪里)

  • qq简洁模式有什么用(qq简洁模式什么样)

    qq简洁模式有什么用(qq简洁模式什么样)

  • 屏幕排线坏了会出现什么情况(屏幕排线坏了会触屏不了吗)

    屏幕排线坏了会出现什么情况(屏幕排线坏了会触屏不了吗)

  • 5类网线和6类外观区分(五类和6类网线)

    5类网线和6类外观区分(五类和6类网线)

  • 苹果11能不能两个微信(苹果11能不能两个卡)

    苹果11能不能两个微信(苹果11能不能两个卡)

  • 电脑写文章用什么软件(电脑写文章用什么软件可以配图)

    电脑写文章用什么软件(电脑写文章用什么软件可以配图)

  • 电话卡停机不缴费会怎样(手机卡停机不交钱会怎么样)

    电话卡停机不缴费会怎样(手机卡停机不交钱会怎么样)

  • 抖音怎么一直显示网络不给力(抖音怎么一直显示昨天在线)

    抖音怎么一直显示网络不给力(抖音怎么一直显示昨天在线)

  • 怎样找输入imsi码窗口(手机卡imsi怎么输入)

    怎样找输入imsi码窗口(手机卡imsi怎么输入)

  • 华为mate怎么关闭后台运行的程序(华为mate怎么关闭运行中的程序)

    华为mate怎么关闭后台运行的程序(华为mate怎么关闭运行中的程序)

  • 小米牙刷怎么连接手机(小米牙刷怎么连接手机APP)

    小米牙刷怎么连接手机(小米牙刷怎么连接手机APP)

  • 淘宝如何开店铺步骤(淘宝如何开店铺?)

    淘宝如何开店铺步骤(淘宝如何开店铺?)

  • 花呗如何分期(花呗如何分期免息还款)

    花呗如何分期(花呗如何分期免息还款)

  • p20截屏快捷键(华为p20如何截屏快捷方式)

    p20截屏快捷键(华为p20如何截屏快捷方式)

  • php中命名空间的引入方法(php中命名空间的路径)

    php中命名空间的引入方法(php中命名空间的路径)

  • DedeCms织梦使用关键词关连文章的方法(织梦cms要钱吗)

    DedeCms织梦使用关键词关连文章的方法(织梦cms要钱吗)

  • 每月计提什么费用
  • 加计抵扣进项税额政策2022
  • 临时用工的会计分录
  • 个体工商户收入怎么核定
  • 建筑公司增值税税率9%
  • 所得税费用是哪类科目
  • 化肥发票怎么开
  • 费用化支出期末结转
  • 个税登记app
  • 企业抽奖用的奖品有哪些
  • 作为福利手段福利概念的三个条件是
  • 公司按揭购车可以抵扣税吗
  • 购进商品返点的钱用于抵扣货款怎么入账?
  • 企业接受基金投资的规定
  • 建筑工程增值税税率是9还是11
  • 小规模纳税人开专票
  • 跨年发票能否次年入账
  • 核定应税所得税会计分录
  • 个体工商户税收优惠政策2023年最新
  • 个人所得税申报退税的条件
  • 总分公司、母子公司:三流不一致情况下,如何抵扣增值税?
  • 外地预缴个人所得税如何入账及申报
  • 未开发土地可否转给子公司
  • 利润表有盈利能力吗
  • 生产销售部门职责
  • 企业以盈余公积转增资本,会引起所有者权益总额的变动
  • 工会收到单位拨款怎么办
  • 应收账款零头没有收到如何账务处理
  • 电脑换系统怎么备份软件
  • win11文件类型怎么改
  • php实现文件下载功能
  • PHP:zip_entry_filesize()的用法_Zip函数
  • 非货币性资产交换是企业经常发生的
  • 取得投资是什么意思
  • 固定资产清查盘点报告模板
  • php中可用于设置变量类型的函数
  • 包装费 增值税
  • python爬虫入门教程
  • 行政单位其他应付款
  • 资产处置损益是什么类
  • 微信交电费怎么交
  • 增值税发票过了两个月怎么作废
  • 一般纳税人混凝土税率
  • 企业注销后账目需要保留多少年
  • 管理费用算营业外支出吗
  • 佣金和其他费用
  • 金税盘的维护费怎么报税
  • 小规模企业收到普通发票如何做账
  • 查定征收和查验征收怎么区分
  • 长期挂账其他应付款违反了哪项制度
  • 自己开发建造的房屋
  • 退回现金会计分录
  • 汇算清缴晚了几天
  • 账户分类的作用是什么
  • 已经开了发票需要退款怎么处理?
  • 商贸企业的销售成本怎么算
  • 银行对账单和回单有什么区别
  • 管理费用标准制定
  • sqlserver2008r2创建实例
  • 如何使用easyscan
  • 怎么快速判断哪些角是第几象限
  • mac怎么打出@符号
  • windows xp 7 10
  • u盘怎么安装win7镜像文件
  • win7宽带连接改成无线网络
  • windows媒体中心关不掉
  • win8.1怎么用
  • glsl 函数
  • css基础知识教程
  • python怎么设置行号
  • framework res.apk
  • jquery java
  • JAVAscript字符串类型单引号和双引号意一样吗
  • python flask
  • 国际货运怎么代理
  • 银行收取个人贷款的费用
  • 捐赠纳税
  • 白酒消费税加征
  • 国税系统如何变更财务负责人
  • 云南省代理记账管理实施办法
  • 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