Core Concepts
서브그래프 이질성으로 인한 전역 모델의 성능 저하를 해결하기 위해 토폴로지 인식 데이터 프리 지식 증류 기술을 제안한다.
Abstract
이 논문은 서브그래프 연합 학습에서 발생하는 서브그래프 이질성 문제를 탐구한다. 서브그래프 이질성은 노드 변이와 토폴로지 변이로 인해 발생하며, 이는 클래스별 지식의 신뢰도 차이를 야기한다. 이를 해결하기 위해 FedTAD를 제안한다. FedTAD는 클라이언트 측에서 토폴로지 인식 노드 임베딩을 통해 클래스별 지식의 신뢰도를 측정하고, 서버 측에서 생성된 의사 그래프를 활용하여 신뢰도 높은 지식을 전역 모델로 전달한다. 실험 결과, FedTAD는 기존 방법들에 비해 우수한 성능을 보였다.
Stats
클라이언트 1의 노드 중 클래스 2와 3의 비율이 높고 다른 클래스 노드는 적어, 전역 모델의 클래스 2와 3 성능이 향상되지만 다른 클래스 성능은 저하된다.
클라이언트 1의 클래스 3에 대한 동질성이 약하지만 다른 클래스에 대한 동질성이 강하다. 이에 따라 전역 모델의 클래스 3 성능이 저하되지만 다른 클래스 성능은 향상된다.
Quotes
"서브그래프 이질성은 노드 변이와 토폴로지 변이로 인해 발생하며, 이는 클래스별 지식의 신뢰도 차이를 야기한다."
"FedTAD는 클라이언트 측에서 토폴로지 인식 노드 임베딩을 통해 클래스별 지식의 신뢰도를 측정하고, 서버 측에서 생성된 의사 그래프를 활용하여 신뢰도 높은 지식을 전역 모델로 전달한다."