每日一博 | 联邦 GNN 综述与经典算法介绍
作者:京东科技 李杰 联邦学习和GNN都是当前AI领域的研究热点。联邦学习的多个参与方可以在不泄露原始数据的情况下,安全合规地联合训练业务模型,目前已在诸多领域取得了较好的结果。GNN在应对非欧数据结构时通常有较好的表现,因为它不仅考虑节点本身的特征还考虑节点之间的链接关系及强度,在诸如:异常个体识别、链接预测、分子性质预测、地理拓扑图预测交通拥堵等领域均有不俗表现。 那么GNN与联邦学习的强强组合又会擦出怎样的火花? 通常一个好的GNN算法需要丰富的节点特征与完整的连接信息,但现实场景中数据孤岛问题比较突出,单个数据拥有方往往只有有限的数据、特征、边信息,但我们借助联邦学习技术就可以充分利用各方数据安全合规地训练有强劲表现的GNN模型。 读罢此文,您将获得如下知识点: •GNN经典算法原理及计算模型 •联邦学习定义与分类 •联邦GNN的两种分类方法及细节 •基于横向联邦的FedGNN模型(微软亚研,2021)、基于纵向联邦的VFGNN模型(浙大+蚂蚁,2022) 一、GNN原理 1.1 图场景及数据表示 能用图刻画的场景很多,比如:社交网络、生物分子、电商网络、知识图谱等。 图最基础...