यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
S2FGL: स्थानिक स्पेक्ट्रल फ़ेडरेटेड ग्राफ़ लर्निंग
Created by
Haebom
लेखक
जिहान टैन, सुयुआन हुआंग, गुआनचेंग वान, वेन्के हुआंग, हे ली, मांग ये
रूपरेखा
यह शोधपत्र फ़ेडरेटेड ग्राफ़ लर्निंग (FGL) प्रस्तुत करता है, जो फ़ेडरेटेड लर्निंग (FL) की गोपनीयता-संरक्षण क्षमताओं को ग्राफ़ न्यूरल नेटवर्क्स (GNNs) की शक्तिशाली ग्राफ़ मॉडलिंग क्षमताओं के साथ संयोजित करता है। मौजूदा शोध ने संरचनात्मक दृष्टिकोण से सबग्राफ़ FL पर ध्यान केंद्रित किया है, लेकिन संरचना के स्थानिक और वर्णक्रमीय डोमेन में ग्राफ़ संकेतों के प्रसार को नज़रअंदाज़ किया है। स्थानिक दृष्टिकोण से, सबग्राफ़ FL क्लाइंट्स के बीच एज डिस्कनेक्शन का कारण बनता है, जिससे लेबल सिग्नल में व्यवधान होता है और वैश्विक GNN के अर्थ संबंधी ज्ञान का ह्रास होता है। वर्णक्रमीय दृष्टिकोण से, वर्णक्रमीय विषमता सबग्राफ़्स में सिग्नल आवृत्ति बेमेल का कारण बनती है, जिससे स्थानीय GNN स्थानीय सिग्नल प्रसार विधियों के लिए ओवरफिट हो जाते हैं। इसके परिणामस्वरूप वर्णक्रमीय क्लाइंट ड्रिफ्ट होता है, जो वैश्विक सामान्यीकरण प्रदर्शन को कम करता है। इन मुद्दों को हल करने के लिए, यह शोधपत्र लेबल सिग्नल व्यवधान के कारण होने वाले अर्थ संबंधी ज्ञान की कमी को कम करने के लिए एक वैश्विक ज्ञान भंडार का प्रस्ताव करता है। इसके अलावा, हम वर्णक्रमीय क्लाइंट ड्रिफ्ट को संबोधित करने के लिए एक आवृत्ति संरेखण विधि डिज़ाइन करते हैं। हम स्थानिक और वर्णक्रमीय रणनीतियों को मिलाकर S2FGL ढाँचे का निर्माण करते हैं। कई डेटासेट पर किए गए व्यापक प्रयोग S2FGL की श्रेष्ठता को प्रदर्शित करते हैं। कोड https://github.com/Wonder7racer/S2FGL.git पर उपलब्ध है ।
हम उपग्राफ FL में उत्पन्न होने वाली स्थानिक और वर्णक्रमीय समस्याओं को स्पष्ट रूप से प्रस्तुत करते हैं और उन्हें हल करने के लिए एक प्रभावी रूपरेखा S2FGL का प्रस्ताव करते हैं।
◦
हमने प्रयोगात्मक रूप से प्रदर्शित किया है कि वैश्विक ज्ञान भंडार और आवृत्ति छंटाई तकनीकों का उपयोग करके संघीय ग्राफ सीखने के प्रदर्शन में सुधार किया जा सकता है।
◦
हम खुले कोड के माध्यम से पुनरुत्पादन क्षमता में सुधार करते हैं और अन्य शोधकर्ताओं द्वारा किए जाने वाले आगे के शोध का समर्थन करते हैं।
•
Limitations:
◦
प्रस्तावित विधि की प्रभावशीलता प्रयुक्त डेटासेट और मॉडल के आधार पर भिन्न हो सकती है। विभिन्न वातावरणों में आगे के प्रदर्शन मूल्यांकन की आवश्यकता है।
◦
वैश्विक ज्ञान भंडारों के आकार और प्रबंधन पर और अधिक शोध की आवश्यकता है। जैसे-जैसे भंडारों का आकार बढ़ता है, प्रदर्शन में गिरावट आ सकती है।
◦
इस पद्धति को वास्तविक दुनिया के अनुप्रयोगों में लागू करने के लिए और अधिक शोध की आवश्यकता है। उदाहरण के लिए, संचार ओवरहेड और गोपनीयता गारंटी का अधिक गहन विश्लेषण आवश्यक हो सकता है।
