联邦图神经网络（Federated Graph Neural Networks）综述与经典算法介绍

最新推荐文章于 2025-05-16 17:58:23 发布
最新推荐文章于 2025-05-16 17:58:23 发布
阅读量1.1k 收藏 3
点赞数
CC 4.0 BY-SA版权
文章标签： 神经网络 算法 人工智能 编程学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/database_bug768/article/details/133256931
本文综述联邦图神经网络（Federated GNN），它结合了联邦学习和图神经网络，用于分布式环境下的图数据分析。介绍了FedGAT和FedGraphSage两种经典算法，这些算法在保护数据隐私的同时进行图数据学习和推理。

在本文中，我们将综述联邦图神经网络（Federated Graph Neural Networks，简称Federated GNN）的相关概念，并介绍一些经典的算法。Federated GNN是一种结合了联邦学习和图神经网络的框架，旨在解决分布式环境下的图数据分析和学习任务。

一、联邦学习简介
联邦学习是一种分布式机器学习的方法，其中多个参与方共同训练一个模型，但数据保留在各自的本地环境中。这种方法能够解决数据隐私和安全性的问题，并且适用于数据分散、无法集中存储的场景。

二、图神经网络简介
图神经网络（Graph Neural Networks，简称GNN）是一类专门用于处理图结构数据的神经网络模型。GNN通过学习节点和边的特征表示，能够进行图结构的分析和预测任务，例如节点分类、链接预测等。

三、联邦图神经网络
联邦图神经网络结合了联邦学习和图神经网络的优势，能够在保护数据隐私的同时，对分布式的图数据进行学习和推理。下面介绍两个经典的联邦图神经网络算法：FedGAT和FedGraphSage。

  1. FedGAT（Federated Graph Attention Networks）
    FedGAT是一种联邦图注意力网络，利用图注意力机制对节点和边进行特征表示学习。以下是FedGAT的伪代码：
# 伪代码：FedGAT

# 全局模型初始化
global_model =
了解本专栏 订阅专栏 解锁全文
论文学习笔记:Federated Graph Neural Networks: Overview, Techniques, and Challenges
m0_57180439的博客
07-03 1465
FedGNNs论文综述
【论文导读】- Federated Graph Neural Networks Overview, Techniques and Challenges（联邦图神经网络：概述
2401_84159688的博客
05-15 920
再然后，将联邦学习与图神经网络相结合，引出联邦图神经网络技术。这两种发展趋势的交汇激发了联邦图神经网络( FedGNNs )领域在最近几年的出现，并在2021年迎来了快速发展。一份立场文件总结了这一趋势，设想了四种可能的联邦图神经网络场景，其基础是如何在数据所有者之间划分图形数据。由于当时对这些设想情景的技术研究并不广泛，因此这些情景之间的界限存在重叠。例如，当重构由不同数据所有者存储的图之间的缺失链接时，"水平联邦图神经网络 "可以与"图结构联邦学习 "混淆。
深入浅出图神经网络和图联邦学习
最新发布
frostmelody 全网同名，大家多多关注呀~ 持续分享优质内容！
05-16 1357
深入浅出解析图神经网络（Graph Neural Networks, GNNs）和图联邦学习（Federated Graph Learning, FGL）
图联邦学习（Federated Graph Learning）
weixin_44458771的博客
02-15 1万+
联邦学习（Federated Learning, FL）是一种分布式学习方案，通过多个参与方（即客户端）协作训练一个模型而无需共享他们的隐私数据，以解决数据隔离问题。图联邦学习(Federated Graph Learning，FGL)是联邦学习在图数据上的应用，通过以联邦方式训练图神经网络，来解决图数据隐私保护的问题。
时空数据建模的跨节点联邦图神经网络：KDD21 Cross-Node Federated Graph Neural Network for Spatio-Temporal Data Modeling
qq_56027260的博客
05-08 1677
前言 联邦学习（FL）虽然已经被广泛研究，但是对复杂的时空依赖关系进行建模以提高预测能力仍然是一个开放的问题。此外目前最优的时空预测模型假定对数据的访问不受限制，忽略了对数据共享的限制。基于此，本文提了一个基于图联邦学习的时空数据模型 Cross-Node Federated Graph Neural Network (CNFGNN)，该模型在跨节点联邦学习的约束下，使用基于图神经网络（GNN）的架构对底层图结构进行编码，属于结构化联邦的一种，每个本地模型利用私有数据进行学习，并保持分散性。CNFGNN
【论文导读】- Federated Graph Neural Networks: Overview, Techniques and Challenges（联邦图神经网络：概述、技术和挑战）
1+1=王的博客
09-13 1万+
图神经网络( GNNs )凭借其强大的处理实际应用中广泛存在的图数据的能力，受到了广泛的研究关注。然而，随着社会越来越关注数据隐私，GNNs面临着适应这种新常态的需要。这导致了近年来联邦图神经网络( FedGNNs )研究的快速发展。虽然前景广阔，但这一跨学科领域感兴趣的研究者来说是极具挑战性的。对这一领域缺乏深入的调查只会加剧这一问题。在本文中，我们通过提供对这一新兴领域的全面调查来弥补这一差距。
Federated Graph Neural Networks
weixin_43845649的博客
09-01 411
论文笔记
推荐系统+FL论文学习(3)No Prejudice! Fair Federated Graph Neural Networks for Personalized Recommendation
weixin_62196703的博客
11-12 1005
由于在个性化医疗保健、金融和电子商务等应用程序中越来越多地集成了推荐系统（RSs），因此确保跨人口统计群体的推荐系统（RSs）的公平性至关重要。基于图的RSs在捕获实体之间复杂的高阶交互方面起着至关重要的作用。然而，将这些图模型集成到具有公平性约束的联邦学习（FL）范式中会带来巨大的挑战，因为这需要在中央服务器上访问整个交互图和敏感的用户信息（如性别、年龄等）。本文通过基于图的模型，在不损害FL环境中敏感用户属性隐私的情况下，解决了RSs中针对不同人口统计群体普遍存在的固有偏见问题。
论文阅读《No Prejudice! Fair Federated Graph Neural Networks for Personalized Recommendation》
wzj1212123的博客
07-02 841
本文介绍了一种公平性联邦推荐系统框架，解决隐私与公平性问题，可对比的框架比较少。
论文学习笔记：Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
m0_57180439的博客
07-22 1047
异构信息网络（HIN）包含丰富的语义信息，这些信息由元路径（meta-paths）描述，已经成为缓解推荐系统中数据稀疏问题的重要工具。然而，现有的基于HIN的推荐系统通常假设数据是集中存储和训练的。但是，在现实世界中，由于隐私问题，数据往往是分布存储的，这导致HIN中的语义破裂问题，并使集中式HIN推荐系统失效。ps：推荐系统中数据稀疏问题比如现有10000个电影数据和10个观众数据，但这10个观众不一定都看过这10000个电影，并且也不是说看过的电影一定会写评价。
联邦图神经网络：概述、技术和挑战
sinat_38007523的博客
05-24 1935
图神经网络以其处理实际应用中广泛存在的图形数据的强大能力，受到了广泛的研究关注。然而，随着社会越来越关注数据隐私，GNN需要适应这种新常态。这导致了近年来联邦图神经网络（FedGNNs）研究的快速发展。虽然有前途，这个跨学科的领域是非常具有挑战性的感兴趣的研究人员进入。缺乏对这一主题的深入调查只会加剧这一问题。在本文中，我们弥合这一差距，提供了一个全面的调查这一新兴领域。我们提出了一个独特的3层分类FedGNNs文献提供了一个清晰的视图GNNs如何在联邦学习（FL）的背景下工作。
阅读笔记：FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
橙子姑娘
12-05 1426
FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation ICML’21 | 隐私保护下的图神经网络推荐系统 (qq.com). 重点是看GNN与联邦学习怎么结合的？？ 1. What does literature study? a. 提出基于GNN的隐私保护联邦推荐框架，在隐私保护下利用高阶user-item交互协同训练GNN模型。 2. What’s the innovation? Past shortco
论文笔记：Federated Graph Neural Networks: Overview, Techniques and Challenges
qq_44452377的博客
10-01 1263
1、论文提出一种关于联邦图神经网络的三层分类法。2、论文分析了图数据在联邦学习情景下的不同表现形式，以及不同联邦学习系统架构和数据孤岛之间图数据不同重合程度情境下GNN的训练方式。3、论文预测了FedGNN未来的研究方向。
【论文导读】- Federated Graph Neural Networks Overview, Techniques and Challenges（联邦图神经网络：概述、技术和挑战
2301_76379606的博客
05-03 889
在现有的去中心化FedGNN研究中，仅对1跳邻居的模型参数进行聚合，为每个数据拥有者生成个性化的FL模型。然而，在图相关的FL客户机的设置中，客户机之间的关系也可以随着时间的推移而演变。然而，为了将FedGNNs扩展到大规模图数据(例如,知识图谱)，通信开销可能是一个重要的瓶颈，因为数据拥有者往往采用具有大量模型参数的多层GNN模型进行传输。客户端的本地数据不一定需要是图形数据。将可解释性融入到FedGNN中，需要联合考虑所涉及的利益相关者对可解释性的需求，同时有效平衡保护隐私和训练模型的目标。
去中心化的联邦图神经网络
热门推荐
weixin_44760744的博客
12-14 1万+
《Decentralized Federated Graph Neural Networks》论文阅读笔记 发表在2021年的IJCAI 背景 GNN广泛用来分析图结构数据，然而，在用户端有隐私，规则限制，商业竞争等。因此，我们能看到的图结构数据是分布式的，这也就限制了GNN的应用。 已有方法 已有一些关于中心化联邦图神经网络的研究，中心服务器协调各个参与者从图结构数据中训练的GNN模型。 存在问题 中心服务器需要进行模型聚合操作，在很多跨领域场景下，这种中心服务器是不被接受的。因此，去中心化的学习模型在
论文笔记-FedGraphNN: A Federated Learning Benchmark System for Graph Neural Networks
weixin_37390905的博客
06-09 890
GNN已经在业界有了很广泛的应用且很多领域已有SOTA的效果，但是在隐私安全日渐趋严的背景下，如何通过FL实现gnn的跨域联邦学习是一个有益的结合，本文通过联邦环境下对于Graph数据的如何在不同domain集群下进行训练，包括邻居采样、聚合和梯度回传等提出了一套完整的方案，并开源相关实现框架...
阅读笔记（FedGraphNN: A Federated Learning Benchmark System for Graph Neural Networks）
weixin_44458771的博客
02-20 823
(Graph Neural Networks，GNNs)都是基于大量的图数据进行训练的，然而在许多现实场景中，例如医疗保健系统中的住院预测，图数据通常存储在多个数据所有者处，由于涉及患者的隐私和相关法律法规限制，不同数据所有者的数据不能直接共享。每个参与图联邦学习的客户端都持有一组图数据，例如在生物化学行业中，一个分子可以表示为一个图，其中节点表示原子，边表示化学键，客户端持有的图数据包括多个分子图，典型的应用是图分类。每个客户端拥有整张图的一部分数据（即子图），典型应用为链接预测、节点分类。
联邦学习前沿 | 基于图神经网络的联邦推荐系统研究
OpenMpc的博客
07-18 3359
最后，将用户客户端上的用户embedding上传到学习服务器，用于提供个性化服务。这篇文章的主要工作是提出了FedPerGNN框架，这是一个致力于推荐系统隐私保护的个性化联邦学习框架，旨在通过以隐私保护的方式利用高阶交互信息，在去中心化的用户数据上联合训练GNN模型。无数的研究成果充分证明图神经网络应用于推荐系统上的优越性，以联邦学习为代表的隐私计算技术体系正在快速建立并广泛应用于中心化的模型训练场景，但这两者的交叉结合研究从论文发表的情况来看才刚刚起步，截止目前包括预印本文章在内的公开文章不足40篇。..
联邦学习中的RBF神经网络
梵心白莲的博客
02-07 1046
随着大数据时代的来临，数据隐私和安全成为了机器学习领域的重要关注点。传统的集中式机器学习方法需要将数据集中存储和处理，这在很多情况下会带来隐私泄露的风险，同时也受到数据孤岛问题的限制。联邦学习作为一种新兴的分布式机器学习范式，旨在解决这些问题，允许在不共享原始数据的情况下进行模型训练，各个参与者（客户端）在本地训练模型，并将模型更新发送到中央服务器进行聚合，从而保护了数据隐私。另一方面，RBF（径向基函数）神经网络以其强大的非线性映射能力和函数逼近能力，在众多领域展现出了优秀的性能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值