Estás leyendo la publicación: Investigadores de China presentan ‘FedPerGNN’: un nuevo marco de red neuronal de grafo federado (GNN) para una personalización efectiva y que preserva la privacidad
Este artículo está escrito como un resumen por el personal de Marktechpost basado en el documento ‘Un marco de red neuronal de gráfico federado para la personalización que preserva la privacidad‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y github.
Por favor, no olvides unirte a nuestro Subreddit de aprendizaje automático
El aprendizaje automático se está integrando cada vez más en nuestra vida diaria sin comprender. Nuestros datos se basan en toda la personalización que tenemos hoy, ya sean anuncios, sugerencias de palabras en el teclado u otras formas de contenido digital individualizado. La personalización es una dirección esencial en el desarrollo web. Puede aliviar el estrés de la sobrecarga de información al ofrecer varios servicios a diferentes usuarios según sus preferencias y características para satisfacer mejor sus requisitos. Los usuarios de tecnología actuales están preocupados por la privacidad de sus datos y dudan en proporcionarlos para entrenar estos algoritmos.
El almacenamiento local de datos sin procesar en los dispositivos de los usuarios y el desarrollo de modelos GNN locales basados en ellos es una solución atractiva para abordar el problema de privacidad de estos sistemas. Sin embargo, en la mayoría de las circunstancias, el volumen de datos del dispositivo del consumidor es insuficiente para entrenar modelos GNN precisos localmente. Se desarrolló un nuevo algoritmo de aprendizaje automático, Aprendizaje federado, para abordar este problema. El aprendizaje federado es un paradigma de aprendizaje automático que preserva la privacidad y que puede desarrollar modelos inteligentes de forma conjunta a partir de datos dispersos entre muchos clientes de usuarios mientras se mantiene la privacidad.
La red neuronal gráfica (GNN) ayuda a simular interacciones de alto orden y se utiliza comúnmente en aplicaciones personalizadas, como recomendaciones. Sin embargo, debido a la naturaleza confidencial de los datos del usuario, las soluciones de personalización populares se basan en el aprendizaje centralizado de GNN en gráficos globales, lo que plantea importantes problemas de privacidad. Investigadores de China desarrollaron FedPerGNN, un sistema GNN federado para una personalización efectiva y que preserva la privacidad.
Fuente: https://www.nature.com/articles/s41467-022-30714-9.pdfEl entrenamiento de los modelos GNN se realiza de forma cooperativa sobre la base de gráficos descentralizados deducidos de los datos locales utilizando una técnica de actualización del modelo que preserva la privacidad. Para expandir el uso de la información de gráficos más allá de las interacciones locales, se propone una técnica de expansión de gráficos que preserva la privacidad que incorpora información de alto orden mientras mantiene la privacidad.
FedPerGNN ofrece un enfoque viable para extraer datos de gráficos descentralizados mientras protege la privacidad para una personalización ética e inteligente. FedPerGNN produce entre un 4,0 % y un 9,6 % menos de errores que los algoritmos de personalización federados de última generación con una protección de privacidad adecuada, según los resultados experimentales en seis conjuntos de datos para la personalización en diversas circunstancias. Cada cliente envía los gradientes calculados localmente a un servidor para su agregación, y luego los gradientes agregados se entregan a los clientes de los usuarios para actualizaciones locales.
El documento presenta un mecanismo de actualización del modelo que preserva la privacidad para garantizar la privacidad del usuario en el entrenamiento del modelo, ya que los gradientes del modelo transmitido pueden contener información confidencial del usuario. A diferencia de las soluciones anteriores, que pueden salvaguardar las calificaciones privadas de los usuarios, este método puede proteger las calificaciones y los historiales de interacción, lo que da como resultado una preservación más amplia de la privacidad. Además, la solución no necesita comunicación ni memoria local del conjunto de elementos globales, y su sobrecarga de comunicación es generalmente razonable para los dispositivos portátiles actuales. FedPerGNN puede aplicarse más fácilmente en los servicios de personalización del mundo real porque los gráficos de elementos de usuario locales inferidos solo almacenan información de interacción de bajo orden. Presentan un protocolo de extensión de gráficos de elementos de usuario que preserva la privacidad para expandir los gráficos locales y transmitir información de alto orden mientras se mantiene la privacidad. Durante este proceso, cada cliente obtiene incrustaciones de usuarios anónimos para hacer crecer el subgráfico local, lo que ayuda en la propagación de información de orden superior en el gráfico de elemento de usuario mientras mantiene la privacidad para mejorar el rendimiento del modelo GNN. La información de orden superior en el gráfico de elemento de usuario se puede utilizar con éxito sin incurrir en costos de comunicación sustanciales después de solo unas pocas rondas de crecimiento del gráfico para preservar la privacidad.
Además, este método no está restringido al escenario de personalización. Puede usarse como una estrategia fundamental para la extracción de datos que preserva la privacidad en datos de gráficos descentralizados, lo que facilita la investigación en varios dominios que involucran datos estructurados en gráficos. El código de este algoritmo está disponible en GitHub.
Con preocupaciones cada vez mayores sobre la privacidad de los datos, algoritmos como estos ayudan a mantener la confidencialidad de los datos al mismo tiempo que mantienen la precisión de los modelos.
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
