M3FGM：一种基于节点掩码与多粒度消息传递的联邦图模型用于时空数据预测
机器学习
2023-09-08 v3 人工智能
摘要
针对隐私与安全的约束，研究者正通过结合联邦学习（FL）与图模型来解决时空预测的挑战。为了更好地利用图模型的能力，一些研究还结合了拆分学习（SL）。然而，仍有若干问题未被关注：1) 客户端在推理阶段可能无法访问服务器；2) 服务器模型中手动设计的客户端图可能无法揭示客户端间的恰当关系。本文针对上述问题提出了一种面向GNN的拆分联邦学习方法，称为基于节点掩码与多粒度消息传递的联邦图模型（MFGM）。针对第一个问题，MFGM的服务器模型采用MaskNode层来模拟客户端离线的情况。我们还使用双子解码器结构重新设计了客户端模型的解码器，使每个客户端模型在离线时可使用其本地数据独立预测。至于第二个问题，一种称为多粒度消息传递（MGMP）层的新GNN层使每个客户端节点能够感知全局与局部信息。我们在两个真实交通数据集上的两种不同场景中进行了大量实验。结果表明，MFGM优于基线模型和变体模型，在两个数据集和场景中均取得最佳结果。
引用
@article{arxiv.2210.16193,
title = {M3FGM:a node masking and multi-granularity message passing-based federated graph model for spatial-temporal data prediction},
author = {Yuxing Tian and Zheng Liu and Yanwen Qu and Song Li and Jiachi Luo},
journal= {arXiv preprint arXiv:2210.16193},
year = {2023}
}
备注
Accepted by ICONIP2023