ASFGNN:自動分離連合グラフニューラルネットワーク【JST・京大機械翻訳】

Zheng Longfei; Zhou Jun; Chen Chaochao; Wu Bingzhe; Wang Li; Zhang Benyu

プレプリント

J-GLOBAL ID：202202216363430128 整理番号：22P0207422

ASFGNN:自動分離連合グラフニューラルネットワーク【JST・京大機械翻訳】

ASFGNN: Automated Separated-Federated Graph Neural Network

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年11月06日プレプリントサーバーでの情報更新日： 2020年11月06日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

グラフニューラルネットワーク(GNN)はグラフデータを利用して顕著な性能を達成した。GNNモデルの成功は,常に豊富な特徴と隣接関係に依存する。しかし,実際には,そのようなデータは,通常,異なるデータ所有者(クライアント)によって分離され,従って,非独立で,そして,Identiclyに分散している(Non-IID)。一方,データ所有者の限られたネットワーク状態を考慮して,協調学習アプローチのためのハイパーパラメータ最適化は,データ分離シナリオにおいて時間がかかる。これらの問題に取り組むために,著者らは,自動分離型Feded-Feded Graph Network(ASFGNN)学習パラダイムを提案した。ASFGNNは,2つの主成分,すなわち,GNNの訓練とハイパーパラメータの調整から成る。具体的には,データ非IID問題を解くため,まず,GNNの訓練を2つの部分に分離する分離供給GNN学習モデルを提案した。時間消費パラメータ調整問題を処理するために,著者らは,すべてのクライアントのハイパーパラメータを自動的に調整するために,Bayes最適化技術を利用した。ベンチマークデータセット上で実験を行い,その結果は,ASFGNNが,精度とパラメータ調整効率の両方に関して,ナイーブな連合GNNよりも著しく優れていることを実証した。【JST・京大機械翻訳】

, , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 相変化を伴う熱伝達 , ニューロコンピュータ

前のページに戻る