通过基对齐与权重惩罚改进联邦关系数据建模
机器学习
2020-11-24 v1 人工智能
摘要
联邦学习（FL）近年来受到越来越多的关注。作为一种保护隐私的协作学习范式，它实现了更广泛的应用，尤其是计算机视觉与自然语言处理任务。然而，迄今为止关于关系数据（即知识图谱（KG））的联邦学习研究有限。本文提出了一种改进的图神经网络算法，用于在不同参与方之间的 KG 上执行联邦建模。具体而言，为应对固有的数据异构问题与算法收敛低效，我们提出一种名为 FedAlign 的新型优化算法，包含 1）用于客户端个性化的最优传输（OT），以及 2）用于加速收敛的权重约束。我们在多个广泛使用的数据集上进行了大量实验。实证结果表明，所提方法优于最先进的 FL 方法（如 FedAVG 和 FedProx），具有更好的收敛性。
引用
@article{arxiv.2011.11369,
title = {Improving Federated Relational Data Modeling via Basis Alignment and Weight Penalty},
author = {Yilun Lin and Chaochao Chen and Cen Chen and Li Wang},
journal= {arXiv preprint arXiv:2011.11369},
year = {2020}
}
备注
9 pages, 4 figures