論文の概要: OpenFGL: A Comprehensive Benchmark for Federated Graph Learning

• arxiv url: http://arxiv.org/abs/2408.16288v2
• Date: Tue, 21 Jan 2025 03:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:17:25.753449
• Title: OpenFGL: A Comprehensive Benchmark for Federated Graph Learning
• Title（参考訳）: OpenFGL: フェデレーショングラフ学習のための総合ベンチマーク
• Authors: Xunkai Li, Yinlin Zhu, Boyang Pang, Guochen Yan, Yeyu Yan, Zening Li, Zhengyu Wu, Wentao Zhang, Rong-Hua Li, Guoren Wang,
• Abstract要約: Federated Graph Learning(FGL)は、直接データ共有なしで複数のローカルシステムにまたがるグラフニューラルネットワークのための、有望な分散トレーニングパラダイムである。 FGLの普及にもかかわらず、様々な研究の背景と設定にまたがる現実世界のアプリケーションからの多様なモチベーションは、公正な評価に重大な課題をもたらす。 本稿では,主要なFGLシナリオであるGraph-FLとSubgraph-FLのための統一ベンチマークOpenFGLを提案する。
• 参考スコア（独自算出の注目度）: 36.04858706246336
• License:
• Abstract: Federated graph learning (FGL) is a promising distributed training paradigm for graph neural networks across multiple local systems without direct data sharing. This approach inherently involves large-scale distributed graph processing, which closely aligns with the challenges and research focuses of graph-based data systems. Despite the proliferation of FGL, the diverse motivations from real-world applications, spanning various research backgrounds and settings, pose a significant challenge to fair evaluation. To fill this gap, we propose OpenFGL, a unified benchmark designed for the primary FGL scenarios: Graph-FL and Subgraph-FL. Specifically, OpenFGL includes 42 graph datasets from 18 application domains, 8 federated data simulation strategies that emphasize different graph properties, and 5 graph-based downstream tasks. Additionally, it offers 18 recently proposed SOTA FGL algorithms through a user-friendly API, enabling a thorough comparison and comprehensive evaluation of their effectiveness, robustness, and efficiency. Our empirical results demonstrate the capabilities of FGL while also highlighting its potential limitations, providing valuable insights for future research in this growing field, particularly in fostering greater interdisciplinary collaboration between FGL and data systems.
• Abstract（参考訳）: Federated Graph Learning(FGL)は、直接データ共有なしで複数のローカルシステムにまたがるグラフニューラルネットワークのための、有望な分散トレーニングパラダイムである。 このアプローチには本質的に大規模な分散グラフ処理が含まれており、グラフベースのデータシステムの課題や研究の焦点と密接に一致している。 FGLの普及にもかかわらず、様々な研究の背景と設定にまたがる現実世界のアプリケーションからの多様なモチベーションは、公正な評価に重大な課題をもたらす。 このギャップを埋めるために、我々は主要なFGLシナリオであるGraph-FLとSubgraph-FL向けに設計された統一ベンチマークOpenFGLを提案する。 具体的には、OpenFGLは18のアプリケーションドメインからの42のグラフデータセット、異なるグラフプロパティを強調する8つのフェデレーションデータシミュレーション戦略、グラフベースのダウンストリームタスクを含む。 さらに、ユーザフレンドリなAPIを通じて18の最近提案されたSOTA FGLアルゴリズムを提供し、その有効性、堅牢性、効率の徹底的な比較と包括的な評価を可能にする。 我々の実証的な結果は、FGLの能力を示すと同時に、その潜在的な限界を強調し、特にFGLとデータシステムの間のより深い学際的なコラボレーションを促進するために、この成長分野における将来の研究に貴重な洞察を提供する。

関連論文リスト

• SpreadFGL: Edge-Client Collaborative Federated Graph Learning with Adaptive Neighbor Generation [16.599474223790843]
  Federated Graph Learning (FGL)は、分類タスクのために複数のクライアントで協調的なトレーニングを可能にすることで、広く注目を集めている。 本研究では,エッジ・クライアント・コラボレーションにおける情報フローの促進を目的とした新しいFGLフレームワークSpreadFGLを提案する。 本研究では,SpreadFGLが最先端のアルゴリズムに対して精度が高く,より高速な収束を実現することを示す。
  論文  参考訳（メタデータ） (2024-07-14T09:34:19Z)
• IGL-Bench: Establishing the Comprehensive Benchmark for Imbalanced Graph Learning [47.34876616533362]
  IGL-Benchは、不均衡グラフ学習のための包括的なベンチマークである。 ノードレベルおよびグラフレベルのタスクにおける有効性、堅牢性、効率性の観点から、最先端のIGLアルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2024-06-14T09:30:18Z)
• FedGTA: Topology-aware Averaging for Federated Graph Learning [44.11777886421429]
  Federated Graph Learning(FGL)は、大規模サブグラフの協調トレーニングを可能にする分散機械学習パラダイムである。 多くのFGL最適化戦略はグラフ構造を無視し、満足できない性能と緩やかな収束を示す。 FedGTA(Federated Graph Topology-Aware Aggregation, FedGTA)は,局所的スムーシング信頼度と近傍の混合特徴を最適化するパーソナライズされた最適化戦略である。
  論文  参考訳（メタデータ） (2024-01-22T08:31:53Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Package for Federated Graph Learning [65.48760613529033]
  フェデレートグラフ学習(FGL)は、その特徴と要求のため、十分にサポートされていない。 まず、使い易いFGLパッケージを作成する際の課題について議論し、実装済みのFederatedScope-GNN(FS-G)を提示する。 我々は,FS-Gの有効性を広範囲な実験によって検証し,同時にコミュニティにとってのFGLに関する貴重な洞察を得る。
  論文  参考訳（メタデータ） (2022-04-12T06:48:06Z)
• Federated Graph Learning -- A Position Paper [36.424411232612606]
  フェデレートラーニング(FL)は、データを分散化しながら共有モデルを協調的にトレーニングできる新興技術である。 これをFGL(Federated Graph Learning)と呼ぶ。 クライアント間でグラフデータを分散する方法を考慮し、グラフ間FL、グラフ内FL、グラフ構造化FLの4種類のFGLを提案する。
  論文  参考訳（メタデータ） (2021-05-24T05:39:24Z)
• FedGL: Federated Graph Learning Framework with Global Self-Supervision [22.124339267195822]
  FedGLは、データプライバシを保護しながら、高品質なグローバルグラフモデルを取得することができる。 グローバルなセルフスーパービジョンにより、各クライアントの情報がプライバシー保護の方法で流れて共有できます。
  論文  参考訳（メタデータ） (2021-05-07T11:27:23Z)
• CogDL: A Comprehensive Library for Graph Deep Learning [55.694091294633054]
  研究者や実践者が実験を行い、メソッドを比較し、簡単かつ効率的にアプリケーションを構築することができるグラフ深層学習ライブラリであるCogDLを紹介します。 CogDLでは,様々なグラフタスクに対するGNNモデルのトレーニングと評価のための統一設計を提案し,既存のグラフ学習ライブラリに固有のものである。 我々はCogDLのための効率的なスパース演算子を開発し、効率性のための最も競争力のあるグラフライブラリとなる。
  論文  参考訳（メタデータ） (2021-03-01T12:35:16Z)
• Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
  グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。 実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T19:49:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。