通过自适应融合结构与节点特征提升联邦图学习
机器学习
2024-12-30 v1
摘要
联邦图学习（FGL）已展示出在分布式客户端上使用其本地图数据训练全局图神经网络（GNN）模型的优势。与欧几里得数据（如图像）不同，图数据由节点和边组成，其中整体节点-边连接决定拓扑结构，单个节点及其邻居捕获局部节点特征。然而，现有研究倾向于优先考虑其中一方，导致对数据理解不完整以及在不同图场景下可能误识别关键特征。此外，图数据的非独立同分布（non-IID）特性使得提取这两种数据特征更加具有挑战性。为解决上述问题，我们提出一种新颖的FGL框架，称为FedGCF，旨在同时提取并融合结构属性和节点特征，以有效处理多样化的图场景。FedGCF首先按结构相似性对客户端进行聚类，在每个聚类内部执行模型聚合以形成共享结构模型。随后，FedGCF选择具有相同节点特征的客户端并聚合其模型以生成常见节点模型。该模型随后传播到所有客户端，允许共享节点特征。通过以适当比例组合这两个模型，FedGCF能够全面理解图数据并提供更好的性能，即使在non-IID分布下也能做到。实验结果表明，FedGCF在不同数据分布下提高了4.94%-7.24%的准确率，并将通信成本降低64.18%-81.25%以达到与基线相当的准确率。
引用
@article{arxiv.2412.18845,
title = {Enhancing Federated Graph Learning via Adaptive Fusion of Structural and Node Characteristics},
author = {Xianjun Gao and Jianchun Liu and Hongli Xu and Shilong Wang and Liusheng Huang},
journal= {arXiv preprint arXiv:2412.18845},
year = {2024}
}