超越刚性对齐：基于双流形校准的图联邦学习

图联邦学习 (Graph Federated Learning, GFL) 能够在保护隐私的同时，跨分布式子图进行协作表示学习。然而，异构性仍然是一个关键挑战，因为不同客户端的子图在语义和结构上通常存在显著差异。现有方法通过强制客户端与服务器之间模型参数或原型的刚性对齐来解决异构性。然而，这些对齐隐式地依赖于一个限制性的全局线性假设，即使用单一且全局一致的表示空间来概括局部数据分布。这严重压缩了客户端的个性化表示空间，并且无法保留多样的局部图分布。为了克服这些限制，我们提出了联邦图流形校准 (Federated Graph Manifold Calibration, FedGMC)，这是一种从统一的流形视角解决语义异构性和结构异构性的新范式。FedGMC 不强制执行刚性对齐，而是引入了一种双流形校准机制，在保留全局共性的同时最大化局部客户端的个性化表示空间。具体而言，针对语义异构性，服务器通过等距语义锚点构建几何最优的语义流形，以指导局部语义流形的校准。针对结构异构性，服务器通过构建全局结构模板来构建全局结构流形，以指导局部结构流形的校准。最后，服务器通过聚合局部流形来动态细化全局语义流形和结构流形。在十一个同配和异配图上的广泛实验表明，FedGMC 有效地平衡了全局共性和局部个性化，从而显著优于 SOTA 基线方法。