FL-AGCNS：面向自动图卷积网络搜索的联邦学习框架
机器学习
2021-04-12 v1 分布式、并行与集群计算
摘要
近来，一些神经架构搜索（NAS）技术被提出用于图卷积网络（GCN）架构的自动设计。它们为 GCN 的使用带来极大便利，但难以应用于具有分布式私有数据集的联邦学习（FL）场景，这限制了其应用。此外，它们需要从头训练许多候选 GCN 模型，对 FL 而言效率低下。为应对这些挑战，我们提出 FL-AGCNS，一种适用于 FL 场景的高效 GCN NAS 算法。FL-AGCNS 设计了一种联邦进化优化策略，使分布式智能体能够在将个人信息保留于本地设备的同时协作设计强大的 GCN 模型。此外，它应用 GCN SuperNet 与权重共享策略来加速 GCN 模型的评估。实验结果表明，FL-AGCNS 能在 FL 框架下短时间内找到优于 SOTA NAS 方法与 GCN 模型的更优 GCN 模型。
引用
@article{arxiv.2104.04141,
title = {FL-AGCNS: Federated Learning Framework for Automatic Graph Convolutional Network Search},
author = {Chunnan Wang and Bozhou Chen and Geng Li and Hongzhi Wang},
journal= {arXiv preprint arXiv:2104.04141},
year = {2021}
}
备注
10 pages