FedSheafHN: 面向图结构数据的个性化联邦学习
机器学习
2024-06-03 v3
摘要
个性化子图联邦学习是一种为图神经网络 (GNN) 定制化以满足单个客户需求的任务，能够适应数据分布的多样性。然而，尽管在联邦学习中应用超网络旨在促进模型个性化，但常常因对客户特定特征表征不足而遇到挑战。为克服这些限制，我们提出了一种名为 FedSheafHN 的模型，采用增强的协作图嵌入和高效的个性化模型参数生成。具体而言，我们将每个客户的局部子图嵌入到服务器构建的协作图中。我们利用协作图中的鞥藻扩散来学习客户表征。我们的模型改进了复杂客户特征的整合与解释。此外，我们的模型通过针对跨客户并行操作优化的高级超网络，确保了个性化模型的生成。经验评估表明，FedSheafHN 在大多数场景下均优于现有方法，具体表现为在 various graph-structured 数据集上的客户模型性能。它还具有快速的模型收敛速度和有效的新客户泛化能力。
引用
@article{arxiv.2405.16056,
title = {FedSheafHN: Personalized Federated Learning on Graph-structured Data},
author = {Wenfei Liang and Yanan Zhao and Rui She and Yiming Li and Wee Peng Tay},
journal= {arXiv preprint arXiv:2405.16056},
year = {2024}
}
备注
This paper was submitted to ICML 2024 in Feb 2024. You can find a record here:https://github.com/CarrieWFF/ICML-2024-submission-recording/blob/main/Screenshot%20of%20FedSheafHN%20submission%20to%20ICML%202024.png