【KDD2021】CNFGNN: 用于时空数据建模的跨节点联合图神经网络

虽然联邦学习 (FL) 已成为不需要直接数据共享和交换的模型训练框架，但有效地对复杂的时空依赖进行建模以提高预测能力仍然是一个悬而未决的问题。另一方面，最先进的时空预测模型假设可以不受限制地访问数据，而忽略了对数据共享的限制。为了弥补这一差距，作者提出了一个联合时空模型——跨节点联合图神经网络 (CNFGNN)——它在跨节点联合的约束下使用基于图神经网络 (GNN) 的架构显式编码底层图结构。这要求节点网络中的数据在每个节点本地生成并保持分散。CNFGNN 通过解开设备上的时间动态建模和服务器上的空间动态来运行，利用交替优化来降低通信成本，促进边缘设备上的计算。交通流预测任务的实验表明，CNFGNN 在转导和归纳学习设置中都实现了最佳预测性能，在边缘设备上没有额外的计算成本，同时产生适度的通信成本。

https://www.zhuanzhi.ai/paper/c22318c0e842941a6e1b5f4a48cd37a5