面向大规模去中心化图的协作网络学习
机器学习
2023-11-08 v2 人工智能
社会与信息网络
摘要
图研究是对以图表示的互联数据点进行的系统研究，在捕捉网络系统内部复杂关系方面发挥着至关重要的作用。然而在现实世界中，随着图规模扩大，不同数据拥有机构间的数据安全问题随之浮现，阻碍信息共享，并最终限制图数据的利用。因此，在图机构间建立互信机制对于释放图的全部潜力至关重要。在此，我们引入协作网络学习（CNL）框架，以确保各类图任务的安全图计算。本质上，该 CNL 框架通过将所有参与机构虚拟连接为一个无固定中心协调器的全局图，统一了机构分布式数据下 GNN 计算的局部与全局视角。机构间计算受框架固有的多种技术保护，包括同态加密与安全传输。此外，每家机构均享有公平权利，可从局部或全局视角设计或采用各类图学习模型。因此，CNL 能够基于从局部与全局图推断出的去中心化图协作训练 GNN 模型。在 contagion 动力学预测（传染动力学预测）与传统图任务（即节点分类与链接预测）上的实验表明，我们的 CNL 架构优于在各独立站点开发的最先进 GNN，揭示 CNL 能提供可靠、公平、安全、隐私保护且具全局视角的途径，为网络应用构建有效且个性化的模型。我们希望该框架能解决图相关研究中的隐私顾虑，并整合去中心化图数据结构，以惠及网络研究界的协作与创新。
引用
@article{arxiv.2311.02117,
title = {Cooperative Network Learning for Large-Scale and Decentralized Graphs},
author = {Qiang Wu and Yiming Huang and Yujie Zeng and Yijie Teng and Fang Zhou and Linyuan Lü},
journal= {arXiv preprint arXiv:2311.02117},
year = {2023}
}