面向时空数据建模的跨节点联邦图神经网络
机器学习
2021-06-10 v1 人工智能
摘要
由传感器、可穿戴设备和物联网(IoT)设备网络产生的大量数据，因边缘计算需求与许可(数据访问)问题，凸显了对利用去中心化数据时空结构的高级建模技术的需求。尽管联邦学习(FL)已成为一种无需直接数据共享与交换的模型训练框架，但有效建模复杂的时空依赖关系以提升预测能力仍是一个开放问题。另一方面，最先进的时空预测模型假设可不受限制地访问数据，忽视了数据共享的约束。为弥补这一差距，我们提出了一种联邦时空模型——跨节点联邦图神经网络(CNFGNN)——在跨节点联邦学习的约束下，利用基于图神经网络(GNN)的架构显式编码底层图结构，该约束要求节点网络中的数据在每个节点本地生成并保持去中心化。CNFGNN通过在设备上解耦时间动态建模、在服务器上解耦空间动态建模，利用交替优化降低通信成本，从而促进边缘设备上的计算。在交通流预测任务上的实验表明，CNFGNN在转导式和归纳式学习设置下均以边缘设备无额外计算成本取得了最佳预测性能，同时仅产生适度的通信成本。
引用
@article{arxiv.2106.05223,
title = {Cross-Node Federated Graph Neural Network for Spatio-Temporal Data Modeling},
author = {Chuizheng Meng and Sirisha Rambhatla and Yan Liu},
journal= {arXiv preprint arXiv:2106.05223},
year = {2021}
}
备注
To be published in the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 21)