論文の概要: FedGraph: A Research Library and Benchmark for Federated Graph Learning
- arxiv url: http://arxiv.org/abs/2410.06340v1
- Date: Tue, 08 Oct 2024 20:18:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-10 14:32:04.148236
- Title: FedGraph: A Research Library and Benchmark for Federated Graph Learning
- Title(参考訳): FedGraph:フェデレーショングラフ学習のための研究ライブラリとベンチマーク
- Authors: Yuhang Yao, Yuan Li, Xinyi Fan, Junhao Li, Kay Liu, Weizhao Jin, Srivatsan Ravi, Philip S. Yu, Carlee Joe-Wong,
- Abstract要約: フェデレーショングラフ学習は、重要な実践上の課題を持つ新興分野である。
モデル精度を高めるために多くのアルゴリズムが提案されているが、実際の展開に不可欠なシステム性能は見過ごされがちである。
本稿では,フェデレートグラフ学習における分散配置とベンチマークのための研究ライブラリであるFedGraphを紹介する。
- 参考スコア(独自算出の注目度): 40.257355007504074
- License:
- Abstract: Federated graph learning is an emerging field with significant practical challenges. While many algorithms have been proposed to enhance model accuracy, their system performance, crucial for real-world deployment, is often overlooked. To address this gap, we present FedGraph, a research library designed for practical distributed deployment and benchmarking in federated graph learning. FedGraph supports a range of state-of-the-art methods and includes profiling tools for system performance evaluation, focusing on communication and computation costs during training. FedGraph can then facilitate the development of practical applications and guide the design of future algorithms.
- Abstract(参考訳): フェデレーショングラフ学習は、重要な実践上の課題を持つ新興分野である。
モデル精度を高めるために多くのアルゴリズムが提案されているが、実際の展開に不可欠なシステム性能は見過ごされがちである。
このギャップに対処するため、フェデレーショングラフ学習において、実用的な分散デプロイメントとベンチマークのための研究ライブラリであるFedGraphを提示する。
FedGraphは最先端のさまざまなメソッドをサポートし、トレーニング中のコミュニケーションと計算コストに焦点を当てた、システムパフォーマンス評価のためのプロファイリングツールを含んでいる。
FedGraphは実践的なアプリケーションの開発を促進し、将来のアルゴリズムの設計をガイドする。
関連論文リスト
- Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-05-31T11:04:53Z) - Counterfactual Learning on Graphs: A Survey [34.47646823407408]
グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。
グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。
グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
論文 参考訳(メタデータ) (2023-04-03T21:42:42Z) - A Multi-scale Graph Signature for Persistence Diagrams based on Return
Probabilities of Random Walks [1.745838188269503]
トポロジ的特徴のロバスト性を高めるために,マルチスケールグラフシグネチャ群の利用について検討する。
このセット入力を処理するためのディープラーニングアーキテクチャを提案する。
ベンチマークグラフ分類データセットの実験により,提案したアーキテクチャは,他の永続的ホモロジーに基づく手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-09-28T17:30:27Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳(メタデータ) (2022-04-15T04:02:06Z) - 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) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳(メタデータ) (2021-02-14T05:28:13Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-06-17T16:18:35Z)
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。