Core Concepts
部分グラフ連邦学習では、クライアントの部分グラフの異質性が大きな課題となる。本研究では、ノードの違いとトポロジーの違いが引き起こす影響を分析し、それに基づいて信頼性の高い知識を中央サーバに転移する手法を提案する。
Abstract
本研究は、部分グラフ連邦学習における課題である部分グラフの異質性に着目している。部分グラフの異質性は、ノードの違いとトポロジーの違いから生じる。
ノードの違いは、ラベルの分布の違いに対応し、クラス毎の知識の信頼性の差異を引き起こす。一方、トポロジーの違いは、クラス毎のホモフィリーの差異に対応し、同様にクラス毎の知識の信頼性の差異を引き起こす。
これらの知見に基づき、本研究では、トポロジーを考慮したデータフリーの知識蒸留手法(FedTAD)を提案する。クライアント側では、トポロジーを考慮したノード埋め込みを用いてクラス毎の知識の信頼性を評価する。サーバ側では、この信頼性に基づいて擬似グラフを生成し、信頼性の高い知識をグローバルモデルに転移する。
実験の結果、FedTADは既存手法と比較して優れた性能を示すことが確認された。
Stats
クラス2とクラス3のノードが多いクライアントの参加により、グローバルモデルのこれらのクラスの性能が向上した。
クラス3のホモフィリーが弱いクライアントの参加により、グローバルモデルのクラス3の性能が低下した。
Quotes
"部分グラフの異質性は、ノードの違いとトポロジーの違いから生じる"
"ノードの違いはラベルの分布の違いに対応し、トポロジーの違いはクラス毎のホモフィリーの差異に対応する"
"クラス毎の知識の信頼性の差異が、モデル集約を誤らせる"