面向跨站点跨设备的层次化联邦图学习框架HiFGL
机器学习
2024-06-18 v1 分布式、并行与集群计算
摘要
联邦图学习（FGL）已成为一种从分布式图数据中保留隐私的学习高质量表示的有前景的方式。尽管已对FGL在跨设备或跨站点范式下努力了许多，但如何在更复杂的跨站点跨设备环境中有效捕获图知识仍是一个鲜有人关注的问题。然而，这一任务具有挑战性，因为其固有的层次结构和异构性、不同客户机上多样化的隐私约束，以及跨客户端图完整性要求。为此，本文提出了一种面向跨站点跨设备的层次化联邦图学习（HiFGL）框架。具体而言，我们构建了一个统一的层次化架构，在确保对异构客户机进行联邦GNN训练的同时维护图的完整性。此外，我们提出了一种秘密消息传递（SecMP）方案，同时遮蔽子图级别和节点级别的敏感信息。理论分析表明，HiFGL实现了具有复杂度保证的多层次隐私保护。大量在真实数据集上的实验验证了该框架在多个基线之上的优越性。此外，HiFGL的灵活性使其能够应用于仅限于跨站点或跨设备的设置，进一步拓宽了其在真实世界FGL应用中的实用性。
引用
@article{arxiv.2406.10616,
title = {HiFGL: A Hierarchical Framework for Cross-silo Cross-device Federated Graph Learning},
author = {Zhuoning Guo and Duanyi Yao and Qiang Yang and Hao Liu},
journal= {arXiv preprint arXiv:2406.10616},
year = {2024}
}
备注
Accepted by SIGKDD 2024