FedEgo：基于自我图的隐私保护个性化联邦图学习
机器学习
2022-09-12 v2 密码学与安全
摘要
图作为同时包含结构与特征信息的特殊信息载体，被广泛应用于图挖掘中，例如图神经网络（GNNs）。然而，在一些实际场景中，图数据分散存储在多个分布式参与方中，由于利益冲突可能无法直接共享。因此，人们提出了联邦图神经网络，以在保护各参与方（或客户端）隐私的同时解决此类数据孤岛问题。不过，不同参与方之间已知的统计异质性（即图数据分布不同）可能会降低如 FedAvg 等朴素联邦学习算法的性能。本文提出 FedEgo，一种基于自我图的联邦图学习框架来应对上述挑战，其中每个客户端在训练本地模型的同时也为全局模型的训练做出贡献。FedEgo 在自我图上应用 GraphSAGE 以充分利用结构信息，并利用 Mixup 解决隐私问题。为处理统计异质性，我们将个性化集成到学习中，并提出一种自适应混合系数策略，使客户端能够实现其最优个性化。大量实验结果和深入分析证明了 FedEgo 的有效性。
引用
@article{arxiv.2208.13685,
title = {FedEgo: Privacy-preserving Personalized Federated Graph Learning with Ego-graphs},
author = {Taolin Zhang and Chuan Chen and Yaomin Chang and Lin Shu and Zibin Zheng},
journal= {arXiv preprint arXiv:2208.13685},
year = {2022}
}
备注
25 pages, submitted to ACM Transactions on Knowledge Discovery from Data (TKDD)