BriefGPT - AI 论文速递
·
图神经网络的隐私保护设计及其在纵向联邦学习中的应用
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了个性化图形联邦学习（PGFL）框架，通过分布式连接的服务器和边缘设备协作学习设备或集群特定的模型，同时维护每个个体设备的隐私。利用差分隐私的变量PGFL实现，可以在线性时间内收敛于每个集群的最优集群特定解。通过使用合成数据和MNIST数据集进行回归和分类的数值实验，检验了所提出的PGFL算法的性能。
🎯
关键要点
- 提出个性化图形联邦学习（PGFL）框架，支持分布式服务器与边缘设备协作学习。
- PGFL框架维护个体设备隐私，利用不同模型之间的相似性提供相关体验。
- 研究了基于差分隐私的变量PGFL实现，特别是零集中差分隐私。
- 数学分析表明，PGFL算法在线性时间内收敛于每个集群的最优解。
- 利用集群之间的相似性可以限制输出与原始解的距离，超参数可调整此限制。
- 通过合成数据和MNIST数据集进行回归和分类实验，验证PGFL算法性能。
➡️
