之前做过图联邦学习工作的整理,现在该领域的工作还是不多。 [论文清单]联邦学习与图神经网络 21年·下 [论文清单]联邦学习与图神经网络 21年·上 TODO:需要整理阅读笔记/整理该领域的应用、基准和开源代码。(20…
在两个经典的医学图像分割任务上进行实验,眼底图分割和前列腺MRI图像分割,表现sota。 前人工作 1.医学成像中的联邦学习(Federated Learning in Medical Imaging) 现有工作都集中在提高内部客户端的性能上,而没有考虑联邦之外未见域的泛化问题。 2.领域泛化(Domain Generalization) 在现有中,一些方法旨在通过最小化多个...
FedCG:i )通过符合FL的聚类来识别域,并为每个域实例化域特定的模块(残差分支);ii) 在训练中通过GCN连接特定于域的模块,以学习域之间的交互并共享知识;iii ) 学习通过teacher-student 分类器-训练迭代进行无监督聚类,并通过其域软分配分数来处理新的看不见的测试域。 得益于GCN在聚类上的独特交互,FedCG在多个F...
GNN:从节点的原始表示(原始或编码)和图结构中学习节点的判别性表示。 解码器:将这些隐藏的表示恢复成原始的节点属性或邻接关系。 Readout:将节点表示聚合成图表示,例如均值池化。 随着每个类别中丰富的选择集合,用户可以开箱即用地构建各种神经网络模型。 联邦超参数优化(Hyper-parameter Optimization,HPO) 一般来说,H...
这些论文来自牛津大学、上海交大、阿里巴巴、Facebook、伯克利、MIT、剑桥、微软等,涵盖了最新的热门话题:自监督学习、强化学习、图学习、持续终身学习、联邦学习、数据隐私问题等。 1、联邦学习,Distributed Non-Convex Optimization with Sublinear Speedup under Intermittent Client Availability(分布式非凸优化与次线性加速...
联邦学习(Federated Learning)是一种分布式机器学习技术,其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练,在不需要交换本地个体或样本数据的前提下,仅通过交换模型参数或中间结果的方式,构建基于虚拟融合数据下的全局模型,从而实现数据隐私保护和数据共享计算的平衡,即“数据可用不可见”、“数据不动模...
中图分类号:TN911.22文献标志码:A 文章编号:1006-1010(2024)02-0002-09 引用格式:陈俊杰,万海,马啸. 基于联邦学习的图像语义通信系统[J]. 移动通信, 2024,48(2): 2-10. CHEN Junjie, WAN Hai, MA Xiao. An Image Semantic Communication System...
本次达摩院获奖工作为联邦图学习开源项目FederatedScope-GNN,KDD组委会对此给予充分肯定,评语提到,该工作“推动了联邦图学习技术的发展,并树立了优秀平台工作的榜样”。 8月18日消息,全球数据科学领域顶级会议KDD 2022大奖公布,阿里巴巴达摩院团队获应用科学方向“最佳论文奖”,这是中国企业首次获得该重磅奖项。
论文摘要 图神经网络(GNN)是处理图机器学习问题的首选方法,因为能够从图结构的数据中学习最先进的表示。然而,由于隐私问题、法规限制和商业竞争,在真实世界的图数据上进行GNN训练是很困难的。而联邦学习可以在分布式边缘设备上协作训练机器学习模型,不需要集中化。但是在联合环境中训练图神经网络的定义是模糊的,并带来了...
进而生成层级别协作图，将更新后的多个客户端的目标模型参数分层，并按对应层级别协作图边权重进行加权聚合，得到每个客户端的最优个性化模型。由此，有效缓解了基于个性化参数聚合的联邦学习方法在选择客户端进行协作时不够灵活的问题。本文源自：金融界 作者：情报员 ...