面向有限节点标签的联邦学习
机器学习
2024-06-19 v1 人工智能
分布式、并行与集群计算
摘要
子图联邦学习（SFL）是一种处理分布式图结构数据的数据研究方法。在SFL中，局部模型由具有部分图结构的图神经网络（GNN）组成。然而，一些SFL模型忽视了缺失的跨子图边缘的重要性，这会导致局部GNN无法进行消息传递以向其他方的GNN传递全局表示。此外，现有SFL模型需要大量标记数据，限制了其实际应用。为克服这些限制，我们提出了一种名为FedMpa的新型SFL框架，旨在学习跨子图节点表示。FedMpa首先使用少量数据训练一个多层感知器（MLP）模型，然后将联邦特征传递到局部结构中。为进一步提高具有局部子图的节点嵌入表示，我们引入FedMpae方法，该方法以一种创新的观点重构局部图结构，即对节点应用池化操作以形成超级节点。我们在六个图数据集上进行了广泛实验，结果表明FedMpa在节点分类任务中效果极佳。此外，我们的消融实验验证了FedMpa的有效性。
引用
@article{arxiv.2406.12435,
title = {Federated Learning with Limited Node Labels},
author = {Bisheng Tang and Xiaojun Chen and Shaopu Wang and Yuexin Xuan and Zhendong Zhao},
journal= {arXiv preprint arXiv:2406.12435},
year = {2024}
}