![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
联邦学习
文章平均质量分 85
联邦学习原理、图联邦学习
所谓远行Misnearch
心中栽桃树,灼灼映桃花
展开
-
Personalized Subgraph Federated Learning,FED-PUB,2023,ICML 2023,代码
图划分算法,没有采用Louvain算法(Blondel et al., 2008),在Zhang et al. (2021),使用到。而是使用的METIS graph partitioning algorithm(Karypis,1997)是一个用于图划分(graph partitioning)的Python库,它是METIS库的Python接口。METIS 是一个用于将图划分成若干个子图的工具,广泛应用于并行计算、网络分析等领域。定义单层的MaskedGCNConv等。分布式训练的进程管理,原创 2024-06-13 16:44:51 · 145 阅读 · 0 评论 -
Personalized Subgraph Federated Learning,FED-PUB,2023,ICML 2023
引入了一种新的子图学习问题——个性化子图学习,该问题侧重于相互关联的局部gnn的联合改进,而不是学习单一的全局模型,并提出了一种新的框架。原创 2024-06-11 16:50:08 · 1151 阅读 · 0 评论 -
FedAvg论文
论文:Communication-Efficient Learning of Deep Networks通过阅读帖子进行的了解。联邦平均算法就是最典型的平均算法之一。将每个客户端上的本地随机梯度下降和执行模型的平均服务器结合在一起。原创 2024-06-10 20:59:49 · 650 阅读 · 0 评论 -
Federated graph machine learning: A survey of concepts, techniques, and applications
联邦图机器学习(FGML)是一个很有前途的解决方案,通过以联邦方式训练图机器学习模型来解决这一挑战。因此该篇综述就对FGML相关文献进行了回顾。提出分类为两类:FL with structured data(具有结构化数据的联邦学习)structured FL(结构化联邦学习)原创 2024-06-09 15:12:24 · 605 阅读 · 0 评论 -
联邦学习(一)
联邦学习(Federated Learning)是一种分布式机器学习方法,旨在在保护数据隐私的前提下进行模型训练。传统的机器学习方法通常需要将所有数据集中在一个服务器上进行训练,这样可能会带来数据隐私和安全问题。而联邦学习通过在多个分散的数据源(如用户的移动设备)上进行模型训练,避免了将数据集中到一个中央服务器的需求,从而保护了数据隐私。原创 2024-05-26 15:59:34 · 649 阅读 · 0 评论