联邦学习(Federated learning,FL)通过分布式协同训练实现多车辆联合建模,在保护数据隐私的同时,有效支持车联网(Internet of vehicles,IoV)中的交通优化、拥堵治理等应用。然而,传统FL在动态异构的IoV环境中面临中心化架构脆弱和网络...联邦学习(Federated learning,FL)通过分布式协同训练实现多车辆联合建模,在保护数据隐私的同时,有效支持车联网(Internet of vehicles,IoV)中的交通优化、拥堵治理等应用。然而,传统FL在动态异构的IoV环境中面临中心化架构脆弱和网络不稳定等挑战。区块链技术的去中心化共识和不可篡改特性为IoV-FL提供了理想的解决方案。围绕区块链赋能下的IoV-FL展开综述,介绍IoV、区块链与IoV-FL的基础概念,分析IoV-FL的系统架构与关键应用场景,并梳理传统方法在隐私安全、系统鲁棒性与可扩展性等方面的局限;从模型更新验证、系统可扩展性、激励机制和知识共享4个维度,系统整理已有研究工作中区块链赋能IoV-FL的关键技术方案,探讨IoV-FL在隐私与安全、存储开销、网络吞吐率、设备与数据异构等方面仍面临的关键挑战;最后,从隐私保护增强、资源利用优化以及系统协同等方面展望未来研究方向。展开更多
图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系...图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系的多视图多粒度图表示学习框架(multi-view and multi-granularity graph representation learning based on partial order relationships,MVMGr-PO),它通过从节点特征视图、图结构视图以及全局视图对节点进行综合评分,进而基于节点之间的偏序关系进行下采样操作。相比于其他图表示学习方法,MVMGr-PO可以有效地提取多粒度图结构信息,从而可以更全面地表征图的内在结构和属性。此外,MVMGr-PO可以集成多种图神经网络架构,包括GCN(graph convolutional network)、GAT(graph attention network)以及GraphSAGE(graph sample and aggregate)等。通过在6个数据集上进行实验评估,与现有基线模型相比,MVMGr-PO在分类准确率上有明显提升。展开更多
文摘联邦学习(Federated learning,FL)通过分布式协同训练实现多车辆联合建模,在保护数据隐私的同时,有效支持车联网(Internet of vehicles,IoV)中的交通优化、拥堵治理等应用。然而,传统FL在动态异构的IoV环境中面临中心化架构脆弱和网络不稳定等挑战。区块链技术的去中心化共识和不可篡改特性为IoV-FL提供了理想的解决方案。围绕区块链赋能下的IoV-FL展开综述,介绍IoV、区块链与IoV-FL的基础概念,分析IoV-FL的系统架构与关键应用场景,并梳理传统方法在隐私安全、系统鲁棒性与可扩展性等方面的局限;从模型更新验证、系统可扩展性、激励机制和知识共享4个维度,系统整理已有研究工作中区块链赋能IoV-FL的关键技术方案,探讨IoV-FL在隐私与安全、存储开销、网络吞吐率、设备与数据异构等方面仍面临的关键挑战;最后,从隐私保护增强、资源利用优化以及系统协同等方面展望未来研究方向。
文摘图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系的多视图多粒度图表示学习框架(multi-view and multi-granularity graph representation learning based on partial order relationships,MVMGr-PO),它通过从节点特征视图、图结构视图以及全局视图对节点进行综合评分,进而基于节点之间的偏序关系进行下采样操作。相比于其他图表示学习方法,MVMGr-PO可以有效地提取多粒度图结构信息,从而可以更全面地表征图的内在结构和属性。此外,MVMGr-PO可以集成多种图神经网络架构,包括GCN(graph convolutional network)、GAT(graph attention network)以及GraphSAGE(graph sample and aggregate)等。通过在6个数据集上进行实验评估,与现有基线模型相比,MVMGr-PO在分类准确率上有明显提升。
