FederatedScope-GNN：迈向统一、全面且高效的联邦图学习包
机器学习
2022-08-02 v5
摘要
联邦学习（FL）的迅猛发展已惠及计算机视觉和自然语言处理领域的诸多任务，而 TFF 和 FATE 等现有框架使得在真实世界应用中的部署变得容易。然而，尽管图数据无处不在，联邦图学习（FGL）因其独特的性质与需求而未得到良好支持。缺乏 FGL 相关框架增加了开展可复现研究及在真实应用中部署的工作量。受此强烈需求的推动，本文首先讨论了创建一个易用 FGL 包所面临的挑战，并相应给出了我们实现的包 FederatedScope-GNN（FS-G），其提供：（1）用于模块化和表达 FGL 算法的统一视角；（2）用于开箱即用 FGL 能力的全面 DataZoo 与 ModelZoo；（3）高效的模型自动调优组件；（4）现成的隐私攻击与防御能力。我们通过开展大量实验验证了 FS-G 的有效性，同时也为社区获得了许多关于 FGL 的宝贵见解。此外，我们利用 FS-G 服务于真实世界电商场景中的 FGL 应用，所取得的提升表明其具有巨大的潜在商业价值。我们在 https://github.com/alibaba/FederatedScope 公开发布 FS-G 作为 FederatedScope 的子模块，以推动 FGL 的研究并赋能那些因缺乏专用包而原本不可行的广泛应用。
引用
@article{arxiv.2204.05562,
title = {FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Package for Federated Graph Learning},
author = {Zhen Wang and Weirui Kuang and Yuexiang Xie and Liuyi Yao and Yaliang Li and Bolin Ding and Jingren Zhou},
journal= {arXiv preprint arXiv:2204.05562},
year = {2022}
}
备注
Accpeted by KDD'2022; We have released FederatedScope for users on https://github.com/alibaba/FederatedScope