FedGrAINS：基于自适应邻居抽样的个性化子图联邦学习
机器学习
2025-01-24 v2 人工智能
分布式、并行与集群计算
信息检索
摘要
图数据对建模关系和生物学数据至关重要。随着现实场景中数据集的增大，暴露敏感信息的风险也随之增加，使得隐私保护训练方法如联邦学习（FL）对于确保数据安全和遵守隐私法规至关重要。最近提出的个性化子图联邦学习方法已成为在联邦环境下训练个性化图神经网络（GNN）的事实标准，这些方法在由于隐私限制导致客户端子图之间存在缺失链接的情况下仍能正常工作。然是，个性化子图联邦学习面临着由于客户端子图之间的异构性（例如节点间的度分布）带来的显著挑战，这些挑战使图模型的联邦训练复杂化。为解决这些挑战，我们提出了FedGrAINS，一种基于数据自适应和抽样的正则化方法，用于子图联邦学习。FedGrAINS利用生成流网络（GFlowNets）评估节点对客户端任务的重要性，动态调整客户端GNN中的消息传递步数。这种调整反映了与轨迹平衡目标相匹配的任务优化抽样。实验结果表明，将FedGrAINS作为正则化器纳入后， consistently 改善了联邦学习性能，优于不利用此类正则化的基线方法。
引用
@article{arxiv.2501.12592,
title = {FedGrAINS: Personalized SubGraph Federated Learning with Adaptive Neighbor Sampling},
author = {Emir Ceyani and Han Xie and Baturalp Buyukates and Carl Yang and Salman Avestimehr},
journal= {arXiv preprint arXiv:2501.12592},
year = {2025}
}
备注
Accepted to SDM2025 (SIAM Data Mining 2025)