Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
S2FGL: Aprendizaje de gráficos federados espectrales espaciales
Created by
Haebom
Autor
Zihan Tan, Suyuan Huang, Guancheng Wan, Wenke Huang, He Li, Mang Ye
Describir
Este artículo presenta el Aprendizaje Federado de Grafos (FGL), que combina las capacidades de preservación de la privacidad del Aprendizaje Federado (FL) con las potentes capacidades de modelado de grafos de las Redes Neuronales de Grafos (GNN). La investigación existente se ha centrado en el FL de subgrafos desde una perspectiva estructural, pero ha pasado por alto la propagación de las señales de grafos en los dominios espacial y espectral de la estructura. Desde una perspectiva espacial, el FL de subgrafos provoca la desconexión de los bordes entre los clientes, lo que conlleva la interrupción de la señal de la etiqueta y una degradación del conocimiento semántico de la GNN global. Desde una perspectiva espectral, la heterogeneidad espectral causa desajustes de frecuencia de la señal entre subgrafos, lo que provoca un sobreajuste de las GNN locales a los métodos de propagación de la señal local. Esto resulta en una deriva espectral del cliente, que degrada el rendimiento de la generalización global. Para abordar estos problemas, este artículo propone un repositorio de conocimiento global para mitigar la falta de conocimiento semántico causada por la interrupción de la señal de la etiqueta. Además, diseñamos un método de alineamiento de frecuencia para abordar la deriva espectral del cliente. Construimos el marco S2FGL combinando estrategias espaciales y espectrales. Experimentos exhaustivos con múltiples conjuntos de datos demuestran la superioridad de S2FGL. El código está disponible en https://github.com/Wonder7racer/S2FGL.git .
Presentamos claramente los problemas espaciales y espectrales que surgen en el subgrafo FL y proponemos S2FGL, un marco efectivo para resolverlos.
◦
Demostramos experimentalmente que el rendimiento del aprendizaje de gráficos federados se puede mejorar utilizando un repositorio de conocimiento global y técnicas de clasificación de frecuencia.
◦
Mejoramos la reproducibilidad a través del código abierto y apoyamos futuras investigaciones de otros investigadores.
•
Limitations:
◦
La eficacia del método propuesto puede variar según el conjunto de datos y el modelo utilizado. Se requiere una evaluación más exhaustiva del rendimiento en diversos entornos.
◦
Se necesita más investigación sobre el tamaño y la gestión de los repositorios globales de conocimiento. A medida que aumenta el tamaño de los repositorios, puede producirse una degradación del rendimiento.
◦
Se necesita más investigación para aplicar este método a aplicaciones reales. Por ejemplo, podría ser necesario un análisis más profundo de la sobrecarga de comunicación y las garantías de privacidad.
