AdaFGL: 一种面向拓扑异质性的联邦节点分类新范式

最近，联邦图学习（FGL）作为一种基于图神经网络的分布式框架引起了广泛关注，主要因为它能够打破数据孤岛。现有的FGL研究默认在同质全局图上进行社区划分来模拟联邦半监督节点分类设置。这种策略假设多客户端子图与全局图之间的拓扑一致性，即连接的节点极有可能具有相似的特征分布和相同的标签。然而，在实际实现中，局部数据工程的不同视角导致各种子图拓扑，给FGL带来了独特的异质性挑战。与联邦学习中众所周知的标签非独立同分布（Non-iid）问题不同，FGL异质性本质上揭示了多个客户端之间的拓扑差异，即同质性或异质性。为了模拟和处理这一独特挑战，我们引入了结构非独立同分布划分的概念，然后提出了一种新的范式，称为自适应联邦图学习（AdaFGL），一种解耦的两步个性化方法。首先，AdaFGL采用标准的多客户端联邦协作训练，通过在服务器端聚合最后一轮上传的模型来获取联邦知识提取器。然后，每个客户端基于局部子图和联邦知识提取器进行个性化训练。在12个图基准数据集上的大量实验验证了AdaFGL相对于最先进基线的优越性能。具体而言，在测试准确率方面，我们提出的AdaFGL在社区划分和结构非独立同分布划分上分别以3.24%和5.57%的显著优势优于基线。