联邦图学习的全面数据导向概述
机器学习
2025-07-23 v1 人工智能
社会与信息网络
摘要
在大数据应用时代，联邦图学习（Federated Graph Learning, FGL）作为一种在去中心化数据持有者之间协调集体智慧与最大限度保留敏感信息之间取得平衡的突破性解决方案，日益成为焦点。现有FGL综述虽已作出有意义的贡献，但主要聚焦于整合联邦学习（Federated Learning, FL）和图机器学习（Graph Machine Learning, GML），导致仅能提供方法论和仿真场景层面的初步分类体系。值得注意的是，始终缺乏从数据导向视角出发，系统性地通过数据属性与用途的视角来重组FGL研究的框架，这对于评估FGL研究如何应对数据导向约束以提升模型性能具有决定性意义。本综述提出了两层数据导向分类体系：数据特征（Data Characteristics）部分依据FGL中所用数据集的结构属性与分布属性进行分类；数据利用（Data Utilization）部分分析为克服关键数据导向挑战所采用的训练程序与技术。每一层级均由三个正交准则构成，每个准则代表一种独立的数据导向配置。除分类体系外，本综述还考察了FGL与预训练大模型的集成，展示了真实应用案例，并指出未来发展方向与GML新兴趋势相吻合。
引用
@article{arxiv.2507.16541,
title = {A Comprehensive Data-centric Overview of Federated Graph Learning},
author = {Zhengyu Wu and Xunkai Li and Yinlin Zhu and Zekai Chen and Guochen Yan and Yanyu Yan and Hao Zhang and Yuming Ai and Xinmo Jin and Rong-Hua Li and Guoren Wang},
journal= {arXiv preprint arXiv:2507.16541},
year = {2025}
}