Conformal Prediction for Federated Graph Neural Networks with Missing Neighbor Information
机器学习
2024-10-21 v1
摘要
图在数据挖掘和机器学习中占据核心位置，用来表示现实世界中的对象及其相互作用。随着图数据集规模扩大，管理大规模分布式子图变得尤为重要，尤其是在联邦学习框架中。这些框架面临着 missing neighbor information 等重大挑战，可能损害在安全关键场景下模型的可靠性。部署基于此类设置训练的联邦学习模型时，必须量化模型的不确定性。本研究将 Conformal Prediction（CP）这一成熟的不确定性量化方法的适用范围扩展到联邦图学习场景。我们特别针对分布式子图中的 missing links 问题，旨在减轻其对 CP set 大小的负面影响。我们讨论了跨分布式子图的数据依赖性，确立了 CP 有效性和精确 test-time coverage 的条件。我们引入一种基于变分自编码器（Variational Autoencoder）的 approach，用于重建 missing neighbors 以缓解缺失数据造成的负面影响。真实数据集上的实验表明，我们的方法有效果，既能确保覆盖保证，又能实现更小的预测 set。
引用
@article{arxiv.2410.14010,
title = {Conformal Prediction for Federated Graph Neural Networks with Missing Neighbor Information},
author = {Ömer Faruk Akgül and Rajgopal Kannan and Viktor Prasanna},
journal= {arXiv preprint arXiv:2410.14010},
year = {2024}
}