❶ 聯邦GNN綜述與經典演算法介紹
聯邦學習和GNN是AI領域的熱點。聯邦學習允許多方安全合規地聯合訓練模型，無需泄露原始數據。GNN在處理非歐數據結構時表現優越，不僅考慮節點特徵還考慮節點間的連接關系和強度。結合GNN與聯邦學習，可充分利用各參與方的數據，安全訓練有強勁表現的模型。
聯邦GNN是GNN與聯邦學習的結合體。這類方法根據圖數據分布規則分為四類：inter-graph FL、horizontal intra-graph FL、vertical intra-graph FL和graph-structured FL。它們應用於多種場景，如生物工程、反洗錢等。
聯邦GNN演算法，如FedGNN，通過中心伺服器和客戶端協同訓練，實現用戶隱私保護。客戶端在本地進行模型和embedding的優化，然後上傳梯度給中心伺服器，進行聚合後回傳給客戶端更新模型。演算法中包含隱私保護模塊，如偽交互物品采樣和LDP保護，確保數據安全。
VFGNN則關注數據孤島問題，通過多方計算生成初始節點embedding，並在保證隱私的前提下進行本地和全局embedding的生成。此演算法確保數據安全的同時，提升模型性能。
聯邦GNN領域近年來發展迅速，已有多個開源項目如FedGraphNN，為實際應用提供了支持。研究者提出了多種演算法，以解決不同場景下的隱私保護和數據共享問題。
❷ 圖神經網路：Graph Neural Networks
圖神經網路（Graph Neural Networks, GNNs）是一種用於處理圖結構數據的機器學習模型，它能夠從節點、邊和整個圖結構中提取特徵，解決圖相關的預測問題。本文將從圖的構成、圖在生活中的應用、圖結構數據處理問題類型、圖的挑戰、GNN的基本概念和結構、消息傳遞機制、GNN的擴展、全局表示、計算挑戰和問題設置等角度進行闡述。
圖由節點（Vertex）、邊（Edge）和全局上下文（Global）組成。節點可以表示為節點標識或鄰居數量，邊可以表示為邊標識或權重，全局上下文可以表示為節點數量或最長路徑。信息存儲在圖的各個部分，以嵌入的形式進行。
圖在生活中的應用廣泛，包括但不限於圖像、文本、分子、社交網路、學術引用網路等。圖像可以表示為節點和相鄰關系，文本則構建為有向圖，每個詞與前一個詞相連。
GNNs可以處理圖的三個層次的問題：圖級任務、節點級任務和邊級任務。圖級任務涉及整個圖的分類，類似於圖像分類或句子情感分析。節點級任務關注單個節點的分類，如語義分割或詞性分類。邊級任務預測節點間的相互關系。
圖處理的挑戰包括表示圖結構、保證演算法對節點順序不變以及處理大規模圖。圖的結構變化意味著缺乏一致結構，節點順序的不確定性使得演算法需要對順序不變，而大規模圖計算則需要高效的方法。
GNNs通過在圖的每個組件上使用多層感知機（MLP）來表示節點、邊和全局上下文，以解決圖預測任務。最簡單的GNN僅更新節點、邊和全局上下文的嵌入，而不會利用圖的連接性。通過堆疊消息傳遞層，節點可以引入整個圖的信息。
消息傳遞機制允許節點和邊共享信息，通過聚合相鄰節點或邊的信息並使用更新函數來更新嵌入。這使得GNNs能夠感知圖的連接性。節點可以利用鄰近節點、邊和全局上下文的信息進行預測。
為了處理不同的圖結構數據，GNNs提供了擴展版本，如通過引入全局表示或使用更復雜的消息傳遞來增強模型能力。例如，ChebNet通過改進多項式濾波器來擴展GNNs，以在圖結構上進行有效的局部和全局信息處理。
現代GNNs，如GCN、GAT、GraphSAGE和GIN，通過不同的聚合和信息傳遞機制，提供更高效的圖特徵提取。例如，GCN使用線性聚合鄰近節點信息，而GAT則通過注意力機制調整節點間的權重。
本文綜述了圖神經網路的基本概念、結構、計算挑戰和未來研究方向，旨在為讀者提供一個全面的視角，了解如何利用GNNs來解決實際問題，以及在圖結構數據處理領域的最新進展。