ترجمه فارسی مقاله یادگیری نمودار فدرال با تراز پروکسی ساختار

چکیده

Federated Graph Learning (FGL) aims to learn graph learning models over graph data distributed in multiple data owners, which has been applied in various applications such as social recommendation and financial fraud detection. Inherited from generic Federated Learning (FL), FGL similarly has the data heterogeneity issue where the label distribution may vary significantly for distributed graph data across clients. For instance, a client can have the majority of nodes from a class, while another client may have only a few nodes from the same class. This issue results in divergent local objectives and impairs FGL convergence for node-level tasks, especially for node classification. Moreover, FGL also encounters a unique challenge for the node classification task: the nodes from a minority class in a client are more likely to have biased neighboring information, which prevents FGL from learning expressive node embeddings with Graph Neural Networks (GNNs). To grapple with the challenge, we propose FedSpray, a novel FGL framework that learns local class-wise structure proxies in the latent space and aligns them to obtain global structure proxies in the server. Our goal is to obtain the aligned structure proxies that can serve as reliable, unbiased neighboring information for node classification. To achieve this, FedSpray trains a global feature-structure encoder and generates unbiased soft targets with structure proxies to regularize local training of GNN models in a personalized way. We conduct extensive experiments over four datasets, and experiment results validate the superiority of FedSpray compared with other baselines. Our code is available at https://github.com/xbfu/FedSpray.

چکیده به فارسی (ترجمه ماشینی)

یادگیری نمودار فدرال (FGL) با هدف یادگیری مدل های یادگیری نمودار بر روی داده های نمودار توزیع شده در متعدد داده ها ، که در برنامه های مختلف مانند توصیه های اجتماعی و تشخیص کلاهبرداری مالی اعمال شده است.FGL به طور مشابه از یادگیری فدراسیون عمومی (FL) به ارث رسیده است ، به طور مشابه مسئله ناهمگونی داده ها را دارد که در آن توزیع برچسب ممکن است برای داده های نمودار توزیع شده در بین مشتری ها به طور قابل توجهی متفاوت باشد.به عنوان مثال ، مشتری می تواند اکثر گره ها را از یک کلاس داشته باشد ، در حالی که ممکن است مشتری دیگری فقط چند گره از همان کلاس داشته باشد.این مسئله منجر به اهداف محلی واگرا می شود و همگرایی FGL را برای کارهای سطح گره ، به ویژه برای طبقه بندی گره ، مختل می کند.علاوه بر این ، FGL همچنین با یک چالش منحصر به فرد برای کار طبقه بندی گره روبرو می شود: گره های یک کلاس اقلیت در مشتری به احتمال زیاد اطلاعات همسایه مغرضانه ای دارند ، که مانع از یادگیری FGL از تعبیه گره های بیانی با شبکه های عصبی نمودار (GNN) می شود.برای مقابله با این چالش ، ما Fedspray را پیشنهاد می کنیم ، یک چارچوب جدید FGL که پروکسی های ساختار کلاس محلی را در فضای نهفته می آموزد و آنها را برای به دست آوردن پروکسی های ساختار جهانی در سرور تراز می کند.هدف ما به دست آوردن پروکسی های ساختار تراز شده است که می توانند به عنوان اطلاعات همسایه قابل اعتماد و بی طرفانه برای طبقه بندی گره خدمت کنند.برای دستیابی به این هدف ، Fedspray یک رمزگذار جهانی ساختار را آموزش می دهد و اهداف نرم و بی طرفانه ای را با پروکسی های ساختار ایجاد می کند تا به طور منظم آموزش های محلی مدل های GNN را به روشی شخصی انجام دهد.ما آزمایش های گسترده ای را بیش از چهار مجموعه داده انجام می دهیم ، و نتایج آزمایش ، برتری FEDSPRAY را در مقایسه با سایر خطوط تأیید می کند.کد ما در https://github.com/xbfu/fedspray در دسترس است.