联邦时序图聚类
机器学习
2025-03-04 v3 分布式、并行与集群计算
摘要
时序图聚类是一项复杂任务，涉及发现动态图中意义结构，其中关系和实体随时间变化。现有方法通常需要集中数据收集，带来显著的隐私和通信挑战。本文引入一种新型的联邦时序图聚类（FTGC）框架，使图神经网络（GNN）能够在多个客户端上进行去中心化训练，确保过程中的数据隐私。我们的方法包含时序聚合机制，以有效捕捉图结构随时间的演变，并采用联邦优化策略以协同学习高质量聚类表示。通过保持数据隐私并降低通信开销，我们的框架在时序图数据集上实现了竞争性能，为涉及动态数据的隐私敏感现实应用提供了有前景的解决方案。
引用
@article{arxiv.2410.12343,
title = {Federated Temporal Graph Clustering},
author = {Zihao Zhou and Yang Liu and Xianghong Xu and Qian Li},
journal= {arXiv preprint arXiv:2410.12343},
year = {2025}
}
备注
8 pages, 1 figure