研究人员开发了两个新框架SPEAR和SPIRE,以改进单次联邦图学习。单次联邦图学习是指在单次通信轮次中,跨具有断开子图的客户端训练图神经网络。SPEAR是一种无训练方法,将问题重新表述为统计估计,并直接从本地图计算类别原型,实现了最先进的准确性和显著的加速。另一方面,SPIRE利用结构熵根据图拓扑(而不仅仅是数据量)来区分客户端贡献,并使用图扩散模型合成伪图来训练全局GNN。这两种方法都表现出强大的性能,尤其是在高度异构和非IID条件下。 AI
影响 这些新框架为在去中心化环境中训练图神经网络提供了更强大、更有效的方法,尤其是在数据条件具有挑战性的情况下。
排序理由 两篇在arXiv上发表的研究论文,介绍了联邦图学习的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →