聯邦圖學習

登入

洞見 - 聯邦圖學習

本文提出了一種名為 FCLG 的新型聯邦圖嵌入方法，該方法利用雙層對比學習機制（內部對比和外部對比）來學習分散式圖數據中的圖級表徵，並有效解決了聯邦學習中的非獨立同分布問題，在圖級聚類任務中展現出優於現有方法的性能。

本文提出了一種用於節點分類的單次個性化聯邦圖學習方法，旨在解決現有聯邦圖學習方法在單次通訊中效率低下且無法平衡個性化和泛化能力的問題。

本文提出了一種名為 FedGLS 的新型聯邦圖學習框架，旨在解決部分客戶端缺乏圖結構資訊的情況下，如何聯合訓練圖神經網路模型的問題。

本文提出了一種名為 FedGPL 的聯邦圖提示學習框架，旨在解決聯邦圖學習中普遍存在的任務和數據異質性問題，以實現更有效和高效的協作學習。

FedSSP 是一種針對跨領域個性化聯邦圖學習的新型框架，它通過共享通用頻譜知識來克服知識衝突，並實現個性化圖偏好調整以滿足不同客戶端的特定需求。

FedGraph 是一個為了解決聯邦圖學習中實際部署和基準測試問題而設計的研究庫，它支持各種最先進的演算法，並包含用於系統性能評估的分析工具，重點關注訓練期間的通信和計算成本。

關於我們

產品

資源