研究人员开发了 FedIA，一种新颖的聚合方法，旨在提高联邦图学习（FGL）在不同域之间的鲁棒性。该方法解决了 FGL 中客户端更新在服务器聚合过程中可能分散和稀释重要信号的关键问题，尤其是在社交网络等图结构数据中。FedIA 采用重要性掩码来识别和保留共享的高幅度坐标支持，以及贡献感知动量加权来平衡此支持内的客户端贡献，所有这些操作都无需共享原始图数据。 AI
影响 增强了在不损害数据隐私的情况下，跨分布式数据集训练鲁棒的基于图的人工智能模型的能力。
排序理由 发表了一篇详细介绍联邦图学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
