基于生成扩散建模的通信高效联邦图分类
机器学习
2026-01-23 v1
摘要
图神经网络（GNNs）开启了从图结构数据中学习的新途径，在捕捉复杂关系和模式方面被证明非常有效。联邦图神经网络（FGNNs）已成为一种突出的分布式学习范式，用于在去中心化数据上训练GNN。然而，FGNNs面临两个重大挑战：多轮参数交换带来的高通信开销，以及客户端之间非独立同分布的数据特性。为了解决这些问题，我们引入了CeFGC，这是一种新颖的FGNN范式，通过将服务器与客户端之间的通信限制为仅三轮，来促进在非独立同分布数据上的高效GNN训练。CeFGC的核心思想是利用生成扩散模型来最小化直接的客户端-服务器通信。每个客户端训练一个生成扩散模型，该模型捕捉其本地图分布，并将此模型分享给服务器，服务器再将其重新分发给所有客户端。利用这些生成模型，客户端生成合成图，并将其与本地图结合以训练本地GNN模型。最后，客户端将其模型权重上传到服务器，以聚合成一个全局GNN模型。我们从理论上分析了通信量的I/O复杂度，以证明CeFGC将通信轮数减少到恒定的三轮。在多个真实图数据集上的大量实验证明了CeFGC相对于最先进竞争对手的有效性和效率，通过对齐本地和全局模型目标以及用多样化的图丰富训练集，反映了我们在非独立同分布图上的优越性能。
引用
@article{arxiv.2601.15722,
title = {Communication-efficient Federated Graph Classification via Generative Diffusion Modeling},
author = {Xiuling Wang and Xin Huang and Haibo Hu and Jianliang Xu},
journal= {arXiv preprint arXiv:2601.15722},
year = {2026}
}