Federated graph learning
PulseAugur coverage of Federated graph learning — every cluster mentioning Federated graph learning across labs, papers, and developer communities, ranked by signal.
-
FedIA 提升了联邦图学习在跨域的鲁棒性
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。
-
联邦图学习增强电动汽车充电需求预测能力，抵御网络攻击
研究人员开发了一种联邦图学习方法，以改进电动汽车（EV）充电需求预测。该方法利用图神经网络（GNN）捕捉充电站之间的空间相关性，同时进行模型协同训练并保护数据隐私。该系统包含一个全局注意力机制用于个性化模型聚合，以及一个基于信用的函数，以增强其抵御网络攻击和数据异质性的鲁棒性。
-
新的联邦图学习框架解决了长尾数据分布问题
研究人员开发了FedEPD，一个新颖的联邦图学习框架，旨在解决长尾数据分布带来的挑战。该方法将拓扑净化与语义重校准分离，使用狄利克雷能量修剪来过滤异质边，并从中心节点提取鲁棒的全局原型。FedEPD旨在在不损害多数类决策边界的情况下提高少数类准确性，并在各种基准测试中展示出显著的性能提升。
-
PRISM框架解决了联邦图学习中的模态缺失问题
研究人员推出PRISM，一个新颖的联邦图学习框架，用于解决跨不同客户端的模态缺失挑战。PRISM能够从包含文本和图像的去中心化图中进行协作学习，即使单个客户端缺乏完整的多模态数据。该框架通过拓扑感知控制，主动地从联邦中检索并填充缺失的模态语义，并将其整合到本地图传播中。实验证明了PRISM的有效性，在六个多模态图数据集上，平均比最先进的基线提高了4.48%。