具有隐私保护的网络动力学机器学习预测
物理与社会
2022-06-13 v1
摘要
基于数据预测网络动力学这一具有广泛应用的问题在过去已被广泛研究, 但大多数现有方法假设整个网络的完整历史数据集可用。这一要求在应用中构成巨大挑战, 尤其是对于现实世界中由许多客户端以并行方式完成数据收集的大型分布式网络。通常, 每个客户端仅拥有来自部分节点的时间序列数据, 且客户端只能访问整个时间序列数据的部分时间戳以及网络的部分结构。由于隐私顾虑或许可相关问题, 不同客户端收集的数据无法共享。在现代, 如何在保护各方隐私的同时准确预测网络动力学是一个关键问题。在此, 我们提出一种基于联邦图神经网络 (FGNNs) 的解决方案, 使得无需数据共享即可为所有方训练一个全局动力学模型。我们通过两类模拟验证我们的 FGNN 框架, 以预测多种网络动力学 (四种离散与三种连续动力学)。作为一个重要的现实应用, 我们展示了对美国各州流感传播的成功预测。我们的 FGNN 方案代表了一个通用框架, 通过协作融合来自不同方的数据而不泄露其隐私来预测多样的网络动力学。
引用
@article{arxiv.2206.04828,
title = {Machine learning prediction of network dynamics with privacy protection},
author = {Xin Xia and Yansen Su and Linyuan Lv and Xingyi Zhang and Ying-Cheng Lai and Hai-Feng Zhang},
journal= {arXiv preprint arXiv:2206.04828},
year = {2022}
}
备注
14 pages