【KDD2021】面向时空数据建模的跨节点联邦图神经网络

来自传感器网络、可穿戴设备和物联网(IoT)设备的大量数据凸显了对利用去中心化数据的时空结构的高级建模技术的需求，因为需要边缘计算和许可(数据访问)问题。虽然联邦学习(FL)已经成为一种无需直接数据共享和交换的模型训练框架，但有效地建模复杂的时空依赖关系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定对数据的访问不受限制，而忽略了数据共享的约束。在跨节点联合学习的约束下，我们提出了跨节点联合图神经网络(CNFGNN)的联邦时空模型，该模型使用基于图神经网络(GNN)的体系结构对底层图结构进行显式编码，这要求节点网络中的数据在每个节点上本地生成，并且保持分散。CNFGNN通过分离设备上的时间动态建模和服务器上的空间动态，利用交替优化来降低通信成本，促进边缘设备上的计算。交通流预测任务的计算结果表明，CNFGNN在不增加边缘设备的计算成本的情况下，在传感和归纳学习环境下均取得了最佳的预测性能，同时通信成本较低。