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)

  • 电脑可以一晚上不关机吗(电脑可以一晚上睡眠模式吗)

    电脑可以一晚上不关机吗(电脑可以一晚上睡眠模式吗)

  • 华为mate30怎么查真伪(华为mate30怎么查电池健康状况)

    华为mate30怎么查真伪(华为mate30怎么查电池健康状况)

  • 微信视频对方听不到声音怎么回事(微信视频对方听不见)

    微信视频对方听不到声音怎么回事(微信视频对方听不见)

  • 苹果5手表可以测血氧嘛(苹果5手表可以测血压吗)

    苹果5手表可以测血氧嘛(苹果5手表可以测血压吗)

  • MQA92CH/A是什么版(mqa92ch/a是什么版本)

    MQA92CH/A是什么版(mqa92ch/a是什么版本)

  • 显示器与主机有几根线(显示器与主机有没有不兼容)

    显示器与主机有几根线(显示器与主机有没有不兼容)

  • 一按空格键后面的字就没了(一按空格键后面的字间距就变大了)

    一按空格键后面的字就没了(一按空格键后面的字间距就变大了)

  • 为什么视频保存后封面不一样(为什么视频保存不到相册)

    为什么视频保存后封面不一样(为什么视频保存不到相册)

  • 如何把视频保存到手机相册(如何把视频保存到百度网盘)

    如何把视频保存到手机相册(如何把视频保存到百度网盘)

  • 微信被盗了怎么解绑身份证(微信被盗了怎么办手机号也被改了)

    微信被盗了怎么解绑身份证(微信被盗了怎么办手机号也被改了)

  • 快手怎么加群(快手怎么加群?)

    快手怎么加群(快手怎么加群?)

  • 红米note8pro耗电太快怎么办(红米note8pro耗电快)

    红米note8pro耗电太快怎么办(红米note8pro耗电快)

  • 抖音橱窗销量是总销量吗(抖音橱窗销量是个人的还是全网销量)

    抖音橱窗销量是总销量吗(抖音橱窗销量是个人的还是全网销量)

  • 爱奇艺怎么取消绑定手机号(爱奇艺怎么取消续费自动续费)

    爱奇艺怎么取消绑定手机号(爱奇艺怎么取消续费自动续费)

  • word页码怎么设置(word页码怎么设置奇偶页不同)

    word页码怎么设置(word页码怎么设置奇偶页不同)

  • 微信红包怎么自动领取(微信红包怎么自己收回)

    微信红包怎么自动领取(微信红包怎么自己收回)

  • vivox23幻彩版充电器型号(vivox23幻彩版充电线什么型号)

    vivox23幻彩版充电器型号(vivox23幻彩版充电线什么型号)

  • soul能查到手机号(soul能查到手机联系人吗)

    soul能查到手机号(soul能查到手机联系人吗)

  • Pinia 数据持久化储存(pinia-plugin-persistedstate)(数据持久化操作)

    Pinia 数据持久化储存(pinia-plugin-persistedstate)(数据持久化操作)

  • axios请求设置responseType为‘blob‘或‘arraybuffer‘下载时,正确处理返回值(axios请求设置超时时间)

    axios请求设置responseType为‘blob‘或‘arraybuffer‘下载时,正确处理返回值(axios请求设置超时时间)

  • 在vue3+ts项目里使用query和params传参(vue3加ts)

    在vue3+ts项目里使用query和params传参(vue3加ts)

  • QMS-云质说质量 - 9 我和我的客户投诉(1) - 逢年过节要祈祷(云质信息)

    QMS-云质说质量 - 9 我和我的客户投诉(1) - 逢年过节要祈祷(云质信息)

  • python wrapper是什么(python wraps函数)

    python wrapper是什么(python wraps函数)

  • 小规模纳税人开专票税率是1%还是3%
  • 经营性现金净流量为负数怎么解释
  • 提供劳务应收未收的款项
  • 红字发票的数电票号码是啥
  • 发票校验码被章盖住了
  • 为什么要结转发出材料成本差异
  • 企业年报股东及出资信息要怎么填写
  • 预付冲应付会计分录摘要
  • 发票抬头开错重开怎么处理?
  • 房产税收取标准有哪些
  • 火车票补票报销流程
  • 公司亏损多久可以申请解散
  • 银行汇票应计入什么科目
  • 农产品收购发票开错了
  • 账本印花税每年交吗,要交几本
  • 什么叫社保人员
  • 固定资产发生非正常损失相关题目
  • 半年报利润分配是否需要审计?
  • 委托贷款利息收入怎么开发票
  • 财政拨款收入如何记账
  • 进口关税和增值税在哪里交
  • 公司开年会的费用谁承担
  • 华为系统设置权限
  • 固定资产不入账的后果
  • 应收账款坏账收回影响利润么
  • 报销伙食费的会计分录
  • 王者荣耀电脑版怎么键盘操作
  • 公司收到供应商的律师函
  • 安全人员发现重大隐患
  • 对公账户开户费开户的时候就要交钱吗
  • 收到单据
  • 二手房交易需缴哪些税
  • 稿酬所得计入什么科目
  • nginx怎么搭建
  • 人脸识别测颜值,al
  • 微信小程序项目中的 ______ 文件是全局配置文件
  • php比较大小的函数
  • 织梦最新发表的作品
  • css代码基础
  • pandas常见操作
  • 建筑施工企业收入怎么确认
  • python3 静态方法
  • 被盗的固定资产如何处理
  • 为什么我们要用英语交流翻译
  • 发票报销有时间期限吗
  • access导入到mysql
  • 当月开票可以当月勾选吗
  • 库存商品暂估入库是什么意思
  • 银行承兑汇票背书转让会计分录
  • 为什么说运输是实现物流合理化的关键
  • 低值易耗品可以报废吗
  • 什么叫递延收益和其他收益
  • 会计中制造费用包括哪些内容
  • 个人所得税缴纳标准怎么计算
  • 个人所得税利息股息红利所得适用比例税率
  • 房地产企业扣除土地价款如何申报
  • 会计软件入什么科目
  • 年度采购总额在哪个报表
  • windows sfc命令
  • Fedora 9.0 Apache+PHP+MYSQL 环境安装
  • sunasServ.exe - sunasServ是什么进程 有何作用
  • win7桌面点不了怎么回事
  • mac电池不能被识别吗
  • wysafe.exe是什么
  • msxct.exe - msxct是什么进程 有什么用
  • win7报错0x0000007b
  • win10系统微软账户密码忘了
  • linux系统怎么弄
  • 直接利用外资
  • for语句中的++i
  • unity 2d ik
  • js图形界面
  • python listnode
  • 非正常户解除申请理由
  • 车船税保险公司代收代缴后,单位还申报不?
  • 接受虚开转出滞纳金
  • 提高税务管理水平,降低税务风险
  • 中央财经大学法学院
  • 耗电异常优化是什么意思微信
  • 电信业八大争议事件
  • 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