PulseAugur
中
实时 19:17:28
English(EN) Provably Communication-Efficient and Privacy-Preserving Federated Graph Neural Networks

新的联邦GNN框架增强了隐私和通信效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CE-FedGNN，一个新颖的联邦图神经网络框架，旨在增强通信效率和隐私。该方法通过不频繁地传输聚合节点表示来避免共享原始数据或频繁的嵌入交换。CE-FedGNN采用移动平均估计器来管理跨客户端依赖和陈旧性，从而能够稳定地重用表示。该框架还通过度量差分隐私提供正式的隐私保证，在比标准差分隐私更低的噪声水平下提供有意义的保护。 AI

影响 这项研究可能能够实现更安全、更高效的分布式图数据协作学习，尤其是在金融和学术等敏感领域。

排序理由 该集群包含一篇详细介绍联邦图神经网络新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的联邦GNN框架增强了隐私和通信效率

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhishuai Guo, Wenhan Wu, Chen Chen, Lei Zhang, Olivera Kotevska, Ravi K Madduri ·

    可证明通信高效且隐私保护的联邦图神经网络

    arXiv:2605.26243v1 Announce Type: new Abstract: Graph neural networks (GNNs) achieve strong performance on relational data, but real-world graphs are often distributed across organizations that cannot share raw data due to privacy and policy constraints. Existing federated GNN me…

相关实体

相关话题