基于课程引导的个性化子图联邦学习

子图联邦学习（Subgraph Federated Learning, FL）旨在跨分布式私有子图训练图神经网络 (GNN)，但 suffer 从严格的数据异构性问题。为缓解数据异构性，加权模型聚合通过对来自子图特征相似的客户端的参数进行更大权重来为每个本地 GNN 进行个性化。然而，稀疏且偏向性的子图常会触发快速过拟合，导致估计的客户端相似矩阵停滞甚至崩溃。结果是，聚合失去效能，客户端强化自身偏见，而非利用其他可获得的多样化知识。为此，我们提出一种新型个性化子图 FL 框架，称为课程引导的个性化子图联邦学习（Curriculum guided personalized Subgraph Federated Learning, CUFL）。在客户端侧，CUFL 采用课程学习（Curriculum Learning, CL）根据重建得分自适应选择边进行训练，使每个 GNN 先暴露于更易、通用的跨客户端子结构，随后才暴露于更难、客户端特定的子结构。这种渐进式暴露防止早期对偏差模式的过拟合，使个性化逐步实现。在调控个性化方面，课程学习还重塑了服务器聚合，从交换通用知识转向传递客户端特定知识。进一步，CUFL 通过在随机参考图上重建的细粒度结构指标估计客户端相似度来改进加权聚合。六个基准数据集上的大量实验表明，CUFL 在相关基线方法上取得优异性能。代码已公开于 https://github.com/Kang-Min-Ku/CUFL.git。