基于自适应重要抽样的联邦图学习
分布式、并行与集群计算
2024-09-24 v1 密码学与安全
机器学习
摘要
对于涉及分布式图数据集的隐私保护图学习任务，需要基于联邦学习 (FedGCN) 的 GCN 训练。FedGCN 的关键挑战是扩展到大规模图，通常会因邻居数量激增而导致高计算和通信成本。现有基于图抽样增强的 FedGCN 训练方法忽略图结构信息或优化动态，导致方差大且节点嵌入不准确。为解决此限制，我们提出了联邦自适应重要抽样 (FedAIS) 方法。它通过聚焦于训练重要节点来实现显著的计算成本节省，同时通过自适应历史嵌入同步来降低通信开销。所提方法联合考虑图结构异质性和优化动态，在效率与准确性之间实现最佳权衡。广泛的评估表明，在五个真实图数据集上与五个最先进方法进行比较后，FedAIS 在测试准确率上相当或高出最高 3.23%，同时通过 91.77% 和 85.59% 分别节省了通信和计算成本。
引用
@article{arxiv.2409.14655,
title = {Federated Graph Learning with Adaptive Importance-based Sampling},
author = {Anran Li and Yuanyuan Chen and Chao Ren and Wenhan Wang and Ming Hu and Tianlin Li and Han Yu and Qingyu Chen},
journal= {arXiv preprint arXiv:2409.14655},
year = {2024}
}