联邦图神经网络：综述、技术与挑战
分布式、并行与集群计算
2022-12-22 v2 机器学习
摘要
图神经网络（GNNs）因能够处理实际应用中广泛存在的图数据，近年来吸引了显著的研究关注。随着社会日益关注数据隐私保护的需求，GNNs 面临适应这一新常态的必要。此外，由于联邦学习（FL）中的客户端之间可能存在关系，需要更强大的工具来利用此类隐式信息以提升性能。这导致了联邦图神经网络（FedGNNs）这一新兴研究领域的快速发展。这一有前景的交叉领域对感兴趣的研究者而言极具挑战性。缺乏对该主题的深入综述进一步加剧了入门难度。本文中，我们通过提供对该新兴领域的全面综述来弥补这一空白。我们提出 FedGNNs 文献的二维分类法：1）主分类法通过分析 GNNs 如何增强 FL 训练以及 FL 如何辅助 GNNs 训练，给出 GNNs 与 FL 融合的清晰视角；2）辅助分类法提供 FedGNNs 如何处理 FL 客户端间异质性的视角。通过对现有工作的关键思想、挑战与局限性的讨论，我们展望了可帮助构建更鲁棒、可解释、高效、公平、归纳性强且全面的 FedGNNs 的未来研究方向。
引用
@article{arxiv.2202.07256,
title = {Federated Graph Neural Networks: Overview, Techniques and Challenges},
author = {Rui Liu and Pengwei Xing and Zichao Deng and Anran Li and Cuntai Guan and Han Yu},
journal= {arXiv preprint arXiv:2202.07256},
year = {2022}
}