部分重叠全局无拓扑FedGNN

最新推荐文章于 2024-11-14 17:10:58 发布
最新推荐文章于 2024-11-14 17:10:58 发布
阅读量147 收藏 1
点赞数
文章标签： 深度学习 计算机视觉 人工智能
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.csdn.net/MagiSoraSakana/article/details/126881908
版权

扔点最近要看的当个todo list

https://arxiv.org/abs/2012.04187

这个对non-IID的解决可以看看
https://proceedings.mlr.press/v70/finn17a.html

https://arxiv.org/abs/2107.05917

https://dl.acm.org/doi/10.1145/3459637.3482252
👆这个用GAN解决重叠问题效果貌似蛮好。。
https://openreview.net/pdf?id=S1zk9iRqF7

最近跟FedGNN相关的论文没看没整理…看到相关的放在这里，这里的论文看完分享一下…找最相关的做一下代码解读…

MagiSoraSakana
关注
图神经网络代码_【CVPR 2020】图神经网络（GNN）论文和代码汇总
weixin_39888180的博客
12-18 1216
点击上方，选择星标或置顶，不定期资源大放送！阅读大概需要5分钟Follow小博主，每天更新前沿干货【导读】本届CVPR共收到了6656篇有效投稿，接收1470篇，其接受率在逐年下降，今年接受率仅为22%。本文为大家整理了CVPR 2020 图神经网络(GNN)相关的比较有意思的值得阅读的10篇论文，供大家参考—分别是：点云分析、视频描述生成、轨迹预测、场景图生成、视频理解、3D语义分割、...
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
阅读笔记：FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
橙子姑娘
12-05 1231
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：ICML‘21 FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
qq_44452377的博客
09-26 2248
的推荐系统都是在一个中心服务器上集中训练的，并且user-item（用户-物品）交互图数据也集中存放在中心服务器上，这就带来了一个问题：用户和物品的交互数据是高度私密的，这些数据存放在中心服务器上会面临着隐私泄露的风险。，客户端上传的真实物品嵌入梯度里，混入了一些随机抽样的伪交互物品的嵌入梯度，伪交互物品指的是没有与用户交互过的物品，为其随机的生成假的嵌入梯度，通过这样的方法来混淆中心服务器，使之无法分辨出用户到底和那些物品交互过。,在客户端上传本地模型提出之前对梯度进行加噪处理，保护用户隐私。
FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
hehehehejiejie的博客
10-31 316
用户隐私保护的联邦图学习
论文《FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation》阅读
xingzhe123456789000的博客
06-22 710
今天带来清华大学 武楚涵 博士 发表在FL-ICML 2021（ICML 2021 关于联邦学习的workshop）上的论文《FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation》。论文主要面向的问题是在联邦推荐场景下使用GNN无法提取 high-order neighbor 的问题，作者使用一种graph expansion 方法 来提取 高阶邻居 信息。
GNN8.1 FedGNN (PaperReading)
Simba的博客
09-21 187
Notes for paper: FedGNN (KDD' 21)
matlab开发-广义拓扑重叠度量
08-27
在IT领域，尤其是在复杂网络分析和数据挖掘中，拓扑重叠度量是一个重要的概念，它用于量化网络中节点之间的相互覆盖程度。本项目聚焦于广义拓扑重叠度量（Generalized Topological Overlap Measure，简称GTOM），这...
arcpy要素面重叠批量拓扑检查工具.rar
09-15
利用arcpy模块编写的一个批量面重叠拓扑检查工具，该工具可以在arcgis中使用。将所有需要检查面重叠的文件数据库(gdb)放入一个文件夹，利用本工具可以对多个gdb内的面要素进行批量面重叠拓扑检查。压缩包内有python...
拓扑验证_面重叠.wmv
11-22
拓扑验证_面重叠.wmv
基于拓扑结构的密度峰值重叠社区发现算法
03-08
基于拓扑结构的密度峰值重叠社区发现算法
【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
05-15 795
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。
Feign源码解析
指尖凉的博客
09-22 2548
代码示例 启动类上添加@EnableFeignClients注解，表示开启feign功能
联邦学习基本算法FedAvg的代码实现
KI的博客
01-13 1万+
联邦学习基本算法FedAvg的代码实现
论文笔记：Federated Graph Neural Networks: Overview, Techniques and Challenges
qq_44452377的博客
10-01 907
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。
RSPapers | 基于隐私保护的推荐系统论文合集
abcdefg90876的博客
03-01 1528
近年来，推荐系统已经成为许多社交/购物/新闻平台中必不可少的组件。一方面，推荐系统为了更好的捕捉和建模用户的行为习惯以及历史偏好，需要大量收集用户和物品的属性信息以及二者的交互记录。另一方...
基于OpenFOAM和深度学习驱动的流体力学计算与应用
最新发布
2301_80236428的博客
11-14 305
从物理模型融合到复杂流动模拟，从数据驱动研究到流场智能分析，深度学习正以前所未有的力量重塑流体力学领域。伴随深度学习在流体力学研究中应用的普及，相关的开源软件和工具为科研人员提供了便捷的平台，简化了深度学习模型的实现与应用过程，加速了研究成果的转化。深度学习架构能够有效从流体数据中抽取关键特征，应用于流场预测、流动优化、流场可视化等多个领域，极大地提升了流体问题的分析效率和精度。构建物理增强的深度学习模型，将流体力学的控制方程、边界条件等物理规则内嵌于模型中，以提高模型的准确性和物理一致性。
深度学习：利用随机数据更快地测试一个新的模型在自己数据格式很复杂的时候
weixin_44162814的博客
11-14 89
比如下面一个，我自己的数据很复杂，这里在代码最后用，两分钟就完成了代码的测试成功。
无线Mesh网络：部分重叠信道分配策略与挑战
"这篇综述文章探讨了无线Mesh网络中部分重叠信道分配的问题，旨在解决由共信道干扰导致的网络容量下降问题。作者王继红、石文孝、李玉信、金凤和王春悦来自吉林大学通信工程学院。他们详细介绍了部分重叠信道的基本...
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