FedGNN的完整算法流程见下述Algorithm1,其中有两个隐私保护模块:其一是隐私保护模型更新(Algorithm1的9-11行),用来保护梯度信息;其二是隐私保护user-item图扩充模块(Algorithm1中第15行),用来对user和item的高阶交互进行建模。 3.2.3 隐私保护模型更新 embedding梯度和模型梯度(GNN+rating predictor)直接传输会泄露隐私...
如下我们将依次介绍一些技术细节。 FedGNN 的完整算法流程见下述 Algorithm1,其中有两个隐私保护模块:其一是隐私保护模型更新(Algorithm1 的 9-11 行),用来保护梯度信息;其二是隐私保护 user-item 图扩充模块(Algorithm1 中第 15 行),用来对 user 和 item 的高阶交互进行建模。 3.2.3 隐私保护模型更新 embedding...
FedGNN的完整算法流程见下述Algorithm1,其中有两个隐私保护模块:其一是隐私保护模型更新(Algorithm1的9-11行),用来保护梯度信息;其二是隐私保护user-item图扩充模块(Algorithm1中第15行),用来对user和item的高阶交互进行建模。 []() 3.2.3 隐私保护模型更新 embedding梯度和模型梯度(GNN+rating predictor)直接传...
FedGNN 的完整算法流程见下述 Algorithm1,其中有两个隐私保护模块:其一是隐私保护模型更新(Algorithm1 的 9-11 行),用来保护梯度信息;其二是隐私保护 user-item 图扩充模块(Algorithm1 中第 15 行),用来对 user 和 item 的高阶交互进行建模。 3.2.3 隐私保护模型更新 embedding 梯度和模型梯度(GNN+rating ...
FedGNN的完整算法流程见下述Algorithm1,其中有两个隐私保护模块:其一是隐私保护模型更新(Algorithm1的9-11行),用来保护梯度信息;其二是隐私保护user-item图扩充模块(Algorithm1中第15行),用来对user和item的高阶交互进行建模。 3.2.3 隐私保护模型更新 embedding梯度和模型梯度(GNN+rating predictor)直接传输会泄露隐私...
A unified algorithm NetMF to explicitly factorizes the derived matrix Matrix Factorization 1. Qiu et al. Network embedding as matrix factorization: unifying deepwalk, line, pte, and node2vec. WSDM’18. The most cited paper in WSDM’18 as of May 2019 61 Explicitly factorize the matrix 1. ...
Algorithm1的9-11行），用来保护梯度信息；其二是隐私保护user-item图扩充模块（Algorithm1中第15行），...
标签传播算法(Label Propagation Algorithm,LPA)是一种快速算法,仅使用网络结构作为指导来发现图中的社区,而无需任何预定义的目标函数或关于社区的先验信息。 单个标签在密集连接的节点组中迅速占据主导地位,但是在穿过稀疏连接区域时会遇到问题。 半监督标签传播算法是如何工作? 首先,我们有一些数据:x1,...,xl,xl+...
DeepMind 的一篇论文《用于优化计算图的增强遗传算法学习》(Reinforced Genetic Algorithm Learning for Optimizing Computation Graphs)提出了一种强化学习算法,可以优化 TensorFlow 计算图的成本。这些图是通过标准的消息传递图神经网络来处理的,图神经网络生成与图中每个节点的调...
[12] Huang, Wenbing, et al. "Adaptive sampling towards fast graph representation learning." Advances in neural information processing systems 31 (2018). [13] Chiang, Wei-Lin, et al. "Cluster-gcn: An efficient algorithm for training deep and large graph convolutional networks." Proceedings of ...