实体
Graph Federated Learning
Graph Federated Learning
PulseAugur coverage of Graph Federated Learning — every cluster mentioning Graph Federated Learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
FlatLand方法使用定制的洛伦兹空间实现图联邦学习的个性化
研究人员推出了一种新的个性化联邦学习方法FlatLand，该方法解决了异构客户端数据带来的挑战，尤其是在图联邦学习领域。该方法将客户端数据嵌入到双曲几何中的定制洛伦兹空间里，利用了双曲几何对图结构的自然适应性以及洛伦兹空间编码客户端特定异质性的能力。FlatLand采用参数解耦策略，将通用知识与异构信息分开，无需复杂的模块即可直接聚合。实验表明，FlatLand取得了优越的性能，尤其是在低维设置下。
-
新的图联邦学习方法增强了个性化和共性
研究人员推出了一种名为联邦图流形校准（FedGMC）的新方法，以解决图联邦学习中的异构性挑战。该方法超越了刚性对齐，采用双重校准机制，在保留全局共性的同时，扩展了本地客户端的个性化表示空间。FedGMC 通过构建和精炼全局语义和结构流形来解决语义和结构异构性，并指导本地校准。在各种图上的实验表明，FedGMC 能有效平衡全局和局部方面，性能优于现有方法。