基于缺失邻居生成的子图联邦学习
机器学习
2021-11-09 v6 社会与信息网络
摘要
图因其对真实世界对象及其交互的独特表示，已广泛应用于数据挖掘和机器学习。如今图规模日益增大，其子图被分别收集和存储在多个本地系统中已是常见现象。因此，考虑子图联邦学习设定是自然的选择，其中每个本地系统持有一个可能偏离整图分布的子图。故此，子图联邦学习旨在不直接共享图数据的情况下，协作训练一个强大且可泛化的图挖掘模型。在这项工作中，针对这一新颖而现实的子图联邦学习设定，我们提出两项主要技术：（1）FedSage，基于 FedAvg 训练 GraphSage 模型以整合多个本地子图上的节点特征、链接结构和任务标签；（2）FedSage+，在 FedSage 基础上训练一个缺失邻居生成器以处理本地子图间的缺失链接。在四个真实图数据集上以合成的子图联邦学习设定进行的实证结果表明了我们提出技术的有效性与高效性。同时，针对其在全局图上的泛化能力给出了相一致的理论启示。
引用
@article{arxiv.2106.13430,
title = {Subgraph Federated Learning with Missing Neighbor Generation},
author = {Ke Zhang and Carl Yang and Xiaoxiao Li and Lichao Sun and Siu Ming Yiu},
journal= {arXiv preprint arXiv:2106.13430},
year = {2021}
}
备注
Accepted to NeurIPS 2021 (spotlight presentation)