解耦式子图联邦学习

我们解决的是跨多个客户端分布的基于图结构数据的联邦学习挑战。具体而言，我们聚焦于相互关联的子图场景，其中不同客户端之间的相互关联性发挥关键作用。我们提出了该场景的一种新型框架，命名为 FedStruct，它利用深层结构依赖。为维护隐私，不同于现有方法，FedStruct 无需共享或生成敏感节点特征或嵌入。相反，它利用显式的全局图结构信息来捕获节点之间的依赖关系。我们通过在六个数据集上进行的实验验证了 FedStruct 的有效性，这些数据集用于半监督节点分类，结果显示该方法在各种情境下的性能接近集中式方法，包括不同的数据分区方法、不同的标签可用程度以及不同客户端数量。