智客公社

标题: 一文综述「联邦图机器学习」，概念、技术、应用全都有 [打印本页]

作者: 橘黄 时间: 2022-8-13 23:34
标题: 一文综述「联邦图机器学习」，概念、技术、应用全都有

机器之心报道

机器之心编辑部

一文总结联邦图机器学习。

近年来，图已被广泛应用于表示和处理很多领域的复杂数据，如医疗、交通运输、生物信息学和推荐系统等。图机器学习技术是获取隐匿在复杂数据中丰富信息的有力工具，并且在像节点分类和链接预测等任务中，展现出很强的性能。

尽管图机器学习技术取得了重大进展，但大多数都需要把图数据集中存储在单机上。然而，随着对数据安全和用户隐私的重视，集中存储数据变的不安全和不可行。图数据通常分布在多个数据源（数据孤岛），由于隐私和安全的原因，从不同的地方收集所需的图数据变的不可行。

例如一家第三方公司想为一些金融机构训练图机器学习模型，以帮助他们检测潜在的金融犯罪和欺诈客户。每个金融机构都拥有私有客户数据，如人口统计数据以及交易记录等。每个金融机构的客户形成一个客户图，其中边代表交易记录。由于严格的隐私政策和商业竞争，各个机构的私有客户数据无法直接与第三方公司或其它他机构共享。同时，机构之间也可能有关联，这可以看作是机构之间的结构信息。因此面临的主要挑战是：在不直接访问每个机构的私有客户数据的情况下，基于私有客户图和机构间结构信息，来训练用于金融犯罪检测的图机器学习模型。

联邦学习（FL）是一种分布式机器学习方案，通过协作训练解决数据孤岛问题。它使参与者（即客户）能够在不共享其私有数据的情况下联合训练机器学习模型。因此，将 FL 与图机器学习相结合成为解决上述问题的有希望的解决方案。

本文中，来自弗吉尼亚大学的研究者提出联邦图机器学习（FGML，Federated Graph Machine Learning）。一般来说，FGML 可以根据结构信息的级别分为两种设置：

第一种是具有结构化数据的 FL，在具有结构化数据的 FL 中，客户基于其图数据协作训练图机器学习模型，同时将图数据保留在本地。

第二种是结构化 FL，在结构化 FL 中，客户端之间存在结构信息，形成客户端图。可以利用客户端图设计更有效的联合优化方法。

[attach]780909[/attach]

论文地址：https://arxiv.org/pdf/2207.11812.pdf

虽然 FGML 提供了一个有前景的蓝图，但仍存在一些挑战：

1、跨客户端的信息缺失。在具有结构化数据的 FL 中，常见的场景是每个客户端机器都拥有全局图的子图，并且一些节点可能具有属于其他客户端的近邻。出于隐私考虑，节点只能在客户端内聚合其近邻的特征，但无法访问位于其它客户端上的特征，这导致节点表示不足。

2、图结构的隐私泄漏。在传统 FL 中，不允许客户端公开其数据样本的特征和标签。在具有结构化数据的 FL 中，还应考虑结构信息的隐私。结构信息可以通过共享邻接矩阵直接公开，也可以通过传输节点嵌入间接公开。

3、跨客户端的数据异构性。与传统 FL 中数据异构性来自 non-IID 数据样本不同，FGML 中的图数据包含丰富的结构信息。同时，不同客户的图结构也会影响图机器学习模型的性能。

4、参数使用的策略。在结构化 FL 中，客户端图使客户端能够从其相邻客户端获取信息。在结构化 FL 中，需要设计有效的策略，以充分利用由中心服务器协调或完全分散的近邻信息。

为了应对上述挑战，研究人员开发了大量算法。目前各种算法主要关注标准 FL 中的挑战和方法，只有少数人尝试解决 FGML 中的具体问题和技术。有人发表对 FGML 进行分类的综述性论文，但没有总结 FGML 中的主要技术。而有的综述文章仅涵盖了 FL 中数量有限的相关论文，并非常简要地介绍了目前现有的技术。

[attach]780910[/attach]

而在今天介绍的这篇论文中，作者首先介绍 FGML 中两种问题设计的概念。然后，回顾了每种 shezhi 下的最新的技术进展，还介绍了 FGML 的实际应用。并对可用于 FGML 应用的可访问图数据集和平台进行总结。最后，作者给出了几个有前途的研究方向。文章的主要贡献包括：

FGML 技术分类：文章给出了基于不同问题的 FGML 分类法，并总结了每个设置中的关键挑战。

全面的技术回顾：文章全面概述了 FGML 中的现有技术。与现有其它综述性论文相比，作者不仅研究了更广泛的相关工作，而且提供了更详细的技术分析，而不是简单地列出每种方法的步骤。

实际应用：文章首次总结 FGML 的实际应用。作者根据应用领域对其进行分类，并介绍每个领域中的相关工作。

数据集和平台：文章介绍了 FGML 中现有的数据集和平台，对于想在 FGML 中开发算法和部署应用程序的工程师和研究人员非常有帮助。

未来方向：文章不仅指出了现有方法的局限性，而且给出了 FGML 未来的发展方向。

[attach]780911[/attach]

FGML 技术综述

这里对文章的主要结构做下简介。第 2 节简要介绍了图机器学习中的定义以及 FGML 中两种设置的概念和挑战。第 3 节和第 4 节回顾了这两种设置中的主流技术。第 5 节进一步探讨了 FGML 在现实世界中的应用。第 6 节介绍了相关 FGML 论文中使用的开放图数据集和 FGML 的两个平台。在第 7 节中提供了未来可能的发展方向。最后第 8 节对全文进行了总结。

更多详细信息请参考原论文。

作者: 光神武帝 时间: 2022-8-13 23:35
转发了

作者: dsffffff 时间: 2022-8-13 23:36
转发了

作者: sailing 时间: 2022-8-13 23:37
转发了

作者: 毅弘薪 时间: 2022-8-13 23:37
转发了

作者: 床上小桌 时间: 2022-8-14 16:32
那个啥吧。。。就是这个。。。你知道我要说啥吧。。。

作者: 独在异乡为异客 时间: 2022-8-15 07:00
大人，此事必有蹊跷！

作者: hhh336688 时间: 2022-8-15 12:54
楼下的接上

欢迎光临智客公社 (http://bbs.cnaiplus.com/)