FedGraph：面向联邦图学习的研究库与基准

联邦图学习是一个面临显著实际挑战的新兴领域。尽管已提出various算法以提高图神经网络训练准确性，如在联邦图上的节点分类，但系统性能往往被忽视，尽管它对于实际部署至关重要。为弥合这一差距，我们引入FedGraph——一个用于实用分布式训练和综合基准测试FGL算法的研究库。FedGraph支持多种最新图学习方法，并包含一个监控类，用于评估系统性能，尤其关注训练期间的通信和计算成本。与现有联邦学习平台不同，FedGraph原生集成同态加密，以增强隐私保护，并支持跨多台物理机器的可扩展部署，进行系统级性能评估以指导未来算法的系统设计。为提高效率和隐私，我们提出了一种用于FedGCN等需要预训练通信的算法的低秩通信方案，加速了预训练和训练阶段。进行了大量实验，对FGL算法在三个主要图学习任务上的表现进行了基准测试，证明FedGraph是首个支持加密低秩通信并可扩展至1亿节点规模的高效FGL框架。