FedHGN：一种面向异构图神经网络的联邦框架
机器学习
2023-05-18 v1 人工智能
分布式、并行与集群计算
社会与信息网络
摘要
异构图神经网络（HGNNs）比常规 GNNs 能更有效地从有类型与关系的图数据中学习。由于参数空间更大，HGNNs 可能需要更多训练数据，而由于隐私法规（如 GDPR）这在现实应用中常显匮乏。联邦图学习（FGL）使多个客户端能协作训练 GNN 而不共享其本地数据。然而，现有 FGL 方法主要关注同构 GNNs 或知识图嵌入；极少考虑异构图与 HGNNs。在联邦异构图学习中，客户端可能拥有私有图模式。试图定义全局 HGNN 模型的常规 FL/FGL 方法会违反模式隐私。为应对这些挑战，我们提出 FedHGN，一种新颖且通用的 HGNNs 联邦图学习框架。FedHGN 采用模式-权重解耦以实现与模式无关的知识共享，并采用系数对齐以稳定训练过程并提升 HGNN 性能。凭借更好的隐私保护，FedHGN 在三个广泛采用的、具不同客户端数量的异构图数据集上一致优于本地训练与常规 FL 方法。代码见 https://github.com/cynricfu/FedHGN 。
引用
@article{arxiv.2305.09729,
title = {FedHGN: A Federated Framework for Heterogeneous Graph Neural Networks},
author = {Xinyu Fu and Irwin King},
journal= {arXiv preprint arXiv:2305.09729},
year = {2023}
}
备注
Accepted by IJCAI 2023; 11 pages, 4 figures, 9 tables; code available at https://github.com/cynricfu/FedHGN