Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
S2FGL : Apprentissage spatial et spectral de graphes fédérés
Created by
Haebom
Auteur
Zihan Tan, Suyuan Huang, Guancheng Wan, Wenke Huang, He Li, Mang Ye
Contour
Cet article présente l'apprentissage fédéré des graphes (FGL), qui combine les capacités de préservation de la confidentialité de l'apprentissage fédéré (FL) avec les puissantes capacités de modélisation des graphes des réseaux de neurones graphes (GNN). Les recherches existantes se sont concentrées sur l'apprentissage fédéré des sous-graphes d'un point de vue structurel, mais ont négligé la propagation des signaux du graphe dans les domaines spatial et spectral de la structure. D'un point de vue spatial, l'apprentissage fédéré des sous-graphes provoque une déconnexion des arêtes entre les clients, ce qui entraîne une perturbation du signal d'étiquette et une dégradation des connaissances sémantiques du GNN global. D'un point de vue spectral, l'hétérogénéité spectrale entraîne des décalages de fréquence des signaux entre les sous-graphes, ce qui entraîne un surajustement des GNN locaux aux méthodes de propagation du signal local. Il en résulte une dérive spectrale des clients, ce qui dégrade les performances de généralisation globale. Pour résoudre ces problèmes, cet article propose un référentiel de connaissances global afin de pallier le manque de connaissances sémantiques causé par la perturbation du signal d'étiquette. De plus, nous concevons une méthode d'alignement fréquentiel pour remédier à la dérive spectrale des clients. Nous construisons le cadre S2FGL en combinant des stratégies spatiales et spectrales. Des expériences approfondies sur plusieurs ensembles de données démontrent la supériorité de S2FGL. Le code est disponible à l'adresse https://github.com/Wonder7racer/S2FGL.git .
Nous présentons clairement les problèmes spatiaux et spectraux qui se posent dans le sous-graphe FL et proposons S2FGL, un cadre efficace pour les résoudre.
◦
Nous démontrons expérimentalement que les performances de l’apprentissage de graphes fédérés peuvent être améliorées en utilisant un référentiel de connaissances global et des techniques de tri de fréquence.
◦
Nous améliorons la reproductibilité grâce au code ouvert et soutenons les recherches ultérieures menées par d’autres chercheurs.
•
Limitations:
◦
L'efficacité de la méthode proposée peut varier selon l'ensemble de données et le modèle utilisés. Une évaluation plus approfondie des performances dans différents environnements est nécessaire.
◦
Des recherches supplémentaires sont nécessaires sur la taille et la gestion des référentiels de connaissances mondiaux. L'augmentation de la taille des référentiels peut entraîner une dégradation des performances.
◦
Des recherches supplémentaires sont nécessaires pour appliquer cette méthode à des applications concrètes. Par exemple, une analyse plus approfondie des frais de communication et des garanties de confidentialité pourrait être nécessaire.
