联邦图学习——立场论文
机器学习
2021-05-25 v1 分布式、并行与集群计算
网络与互联网体系结构
摘要
图神经网络（GNN）已在诸多领域取得成功，并在实际产业中衍生出各类研究与应用。然而，在一些隐私敏感场景（如金融、医疗）中，由于数据孤岛的分布式特性，集中训练GNN模型面临挑战。联邦学习（FL）是一种新兴技术，能够在保持数据去中心化的同时协作训练共享模型，是分布式GNN训练的合理解决方案。我们称之为联邦图学习（FGL）。尽管FGL近期受到越来越多的关注，其定义与挑战仍不明确。在本立场论文中，我们提出一种分类以澄清之。考虑到图数据在客户端间的分布方式，我们提出四类FGL：图间FL、图内FL以及图结构FL，其中图内FL进一步划分为横向与纵向FGL。对于每类FGL，我们详细讨论了其形式化与应用，并提出了若干潜在挑战。
引用
@article{arxiv.2105.11099,
title = {Federated Graph Learning -- A Position Paper},
author = {Huanding Zhang and Tao Shen and Fei Wu and Mingyang Yin and Hongxia Yang and Chao Wu},
journal= {arXiv preprint arXiv:2105.11099},
year = {2021}
}