ترجمه فارسی مقاله یادگیری فدراتیو هایپرگراف با تکمیل هایپراج

چکیده

Hypergraph neural networks enhance conventional graph neural networks by capturing high-order relationships among nodes, which proves vital in data-rich environments where interactions are not merely pairwise. As data complexity and interconnectivity grow, it is common for graph-structured data to be split and stored in a distributed manner, underscoring the necessity of federated learning on subgraphs. In this work, we propose FedHGN, a novel algorithm for federated hypergraph learning. Our algorithm utilizes subgraphs of a hypergraph stored on distributed devices to train local HGNN models in a federated manner:by collaboratively developing an effective global HGNN model through sharing model parameters while preserving client privacy. Additionally, considering that hyperedges may span multiple clients, a pre-training step is employed before the training process in which cross-client hyperedge feature gathering is performed at the central server. In this way, the missing cross-client information can be supplemented from the central server during the node feature aggregation phase. Experimental results on seven real-world datasets confirm the effectiveness of our approach and demonstrate its performance advantages over traditional federated graph learning methods.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی Hypergraph شبکه های عصبی نمودار معمولی را با ضبط روابط مرتبه بالا بین گره ها تقویت می کنند ، که در محیط های غنی از داده ها بسیار مهم است که در آن تعامل صرفاً به صورت زوج نیست.با افزایش پیچیدگی و اتصال داده ها ، معمول است که داده های ساختار یافته نمودار تقسیم و به صورت توزیع شده ذخیره شوند ، و تأکید بر ضرورت یادگیری فدرال در زیرگرافها.در این کار ، ما FEDHGN ، یک الگوریتم جدید برای یادگیری هایپرگراف فدرال را پیشنهاد می کنیم.الگوریتم ما با استفاده از زیرگرافهای یکپرگراف ذخیره شده در دستگاههای توزیع شده برای آموزش مدل های محلی HGNN به روشی فدرال: با توسعه مشترک یک مدل HGNN جهانی مؤثر از طریق اشتراک پارامترهای مدل در حالی که حفظ حریم خصوصی مشتری است.علاوه بر این ، با توجه به اینکه بیش از حد ممکن است چندین مشتری داشته باشد ، یک مرحله قبل از آموزش قبل از فرایند آموزش استفاده می شود که در آن جمع آوری ویژگی های بیش از حد مشتری در سرور مرکزی انجام می شود.به این ترتیب ، اطلاعات متقاطع از دست رفته را می توان از سرور مرکزی در مرحله جمع آوری ویژگی گره تکمیل کرد.نتایج تجربی در هفت مجموعه داده در دنیای واقعی اثربخشی رویکرد ما را تأیید می کند و مزایای عملکرد آن را نسبت به روشهای یادگیری نمودار سنتی فدرال نشان می دهد.