图联邦学习
文章平均质量分 80
唯余木叶下弦声
数据挖掘工程师,计算机技术专业硕士
展开
-
阅读笔记(FedGraphNN: A Federated Learning Benchmark System for Graph Neural Networks)
(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。原创 2023-02-20 17:39:46 · 519 阅读 · 0 评论 -
图联邦学习(Federated Graph Learning)
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。原创 2023-02-15 17:44:11 · 7019 阅读 · 0 评论 -
图的分类及表示方式
图是描述复杂事务的数据表示形式,由节点和边组成,数学上一般表述为G(V,E)。其中的V(vertical)代表节点,可被理解为事物;E(edge)代表边,描述的是两个事物之间的关系。例如一个图的社交网络图,每个人都可视为节点,而人与人之间的关系可被视为边。原创 2023-02-15 11:32:30 · 2917 阅读 · 0 评论