耦合图上的联邦学习
机器学习
2023-01-27 v1
摘要
图被广泛用于表示实体间的关系。当拥有完整数据时，可轻易构建整图，从而在图上进行分析十分直接。然而，在许多场景中，由于数据隐私问题，集中数据是不切实际的。一个组织或参与方仅保留整个图数据的一部分，即图数据被不同方隔离。近来，联邦学习（FL）被提出以解决数据隔离问题，主要针对欧氏数据。将FL应用于图数据仍具挑战，因为图包含拓扑信息，其非独立同分布（non-IID）特性众所周知且难以划分。本文提出一种针对图数据的新颖FL框架FedCog，以高效处理耦合图——一类分布式图数据，但广泛存在于移动运营商通信网络、银行交易网络等多种真实应用中。我们从理论上证明了FedCog的正确性与安全性。实验结果表明，我们的方法FedCog在图上显著优于传统FL方法。值得注意的是，FedCog将节点分类任务的准确率提升了最高14.7%。
引用
@article{arxiv.2301.11099,
title = {Federated Learning over Coupled Graphs},
author = {Runze Lei and Pinghui Wang and Junzhou Zhao and Lin Lan and Jing Tao and Chao Deng and Junlan Feng and Xidian Wang and Xiaohong Guan},
journal= {arXiv preprint arXiv:2301.11099},
year = {2023}
}
备注
Accepted by IEEE Transactions on Parallel and Distributed Systems