FairGFL：面向重叠子图的隐私保护公平联邦学习
机器学习
2025-12-30 v1 分布式、并行与集群计算
摘要
图联邦学习使能够在保护原始数据隐私的同时，从分布式子图中提取高阶信息。然而，图数据常在不同客户端之间存在重叠。以往研究表明，重叠数据在缓解数据异构性方面具有一定好处，但在重叠在客户端之间不平衡的情况下，其负面影响尚未得到探讨。本文通过实证观察和理论推理，揭示了因子图不平衡导致的不公平问题。为解决此问题，我们提出了 FairGFL (FAIRness-aware subGraph Federated Learning)，一种新型算法，通过保持模型实用性的同时提升跨客户端的公平性。具体而言，FairGFL 纳入可解释的加权聚合方法以提升跨客户端的公平性，利用隐私保护的重叠比例估计。此外，FairGFL 通过整合精心设计的正则化项到联邦复合损失函数中，提高了模型实用性与公平性之间的权衡。通过在四个基准图数据集上的大量实验，我们展示 FairGFL 在模型实用性和公平性方面均优于四个代表性基线算法。
引用
@article{arxiv.2512.23235,
title = {FairGFL: Privacy-Preserving Fairness-Aware Federated Learning with Overlapping Subgraphs},
author = {Zihao Zhou and Shusen Yang and Fangyuan Zhao and Xuebin Ren},
journal= {arXiv preprint arXiv:2512.23235},
year = {2025}
}