[AAAI 2022 | 论文简读] SpreadGNN: 分子数据上图神经网络的分散式多任务联邦学习

简读分享 | 滕赛赛 编辑 | 赵晏浠

论文题目

SpreadGNN: Decentralized Multi-Task Federated Learning for Graph Neural Networks on Molecular Data

论文摘要

图神经网络（GNN）是处理图机器学习问题的首选方法，因为能够从图结构的数据中学习最先进的表示。然而，由于隐私问题、法规限制和商业竞争，在真实世界的图数据上进行GNN训练是很困难的。而联邦学习可以在分布式边缘设备上协作训练机器学习模型，不需要集中化。但是在联合环境中训练图神经网络的定义是模糊的，并带来了统计和系统方面的挑战。因此，这项工作提出了SpreadGNN，一个新颖的多任务联邦学习框架，能够在存在部分标签和没有中央服务器的情况下运行。作者提供了收敛证明，并在各种具有部分标签的非分布式图级分子性质预测数据集上实证了框架的有效性。研究结果表明，SpreadGNN优于通过中央服务器的联邦学习系统训练的GNN模型。

论文链接

https://www.aaai.org/AAAI22Papers/AAAI-4599.HeC.pdf