- 博客(2)
- 收藏
- 关注
原创 Improving Federated Relational Data Modeling via Basis Alignment and Weight Penalty
背景问题定义图数据库间在统计和结构上存在异构性导致联邦性能收敛差。现有的联邦异构性解决方法不能直接适用于图关系模型,因为批处理数据可分成多个批次,而图数据在训练过程中不可分。主要贡献首先提出了如何建立一个简易(直接的)联邦RGCN,联合多个KGs进行学习。根据针对发散和不平滑问题的解决方法,提出利用基对齐和权重约束的改进方法。在三个数据集上进行实验证明有效。方法GNN介绍RGCN依据本文基于DGL和PyTorch实现的Fed-RGCN:源码链接...
2021-10-20 17:51:43
305
原创 A Blockchain-Based Decentralized Federated Learning Framework with Committee Consensus
本文简易框架demo源码背景问题定义在联邦学习场景中,客户端通过交换模型梯度或更新后的模型参数,不暴露私人数据,从而合作训练一个共享的全局模型。但是容易存在恶意攻击的行为,分别是恶意客户端和中央服务器对模型或数据的攻击,导致存在安全性问题。中央服务器的稳定性、公平性和安全性对FL至关重要。简单结合区块链,利用智能合约执行聚合、存储、共享全局模型可以避免中央服务器带来的挑战,但是给维护区块链的客户端节点造成巨大的计算量和网络传输压力,从而区块链的共识效率低下,可扩展性较差。主要贡献提出一
2021-10-17 21:11:33
17304
13
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人