FedGTA：面向联邦图学习的拓扑感知平均

联邦图学习 (FGL) 是一种分布式机器学习范式，支持在多个本地系统间的大规模子图上进行协作训练。现有的 FGL 研究分为两类：(i) FGL 优化，旨在改进现有机器学习模型中的多客户端训练；(ii) FGL 模型，旨在通过复杂的本地模型和多客户端交互提升性能。然而，大多数 FGL 优化策略专为计算机视觉领域设计，忽略了图结构，导致性能不佳且收敛缓慢。同时，FGL 模型研究中复杂的本地模型架构缺乏处理大规模子图的可扩展性，并存在部署限制。为解决这些问题，我们提出了联邦图拓扑感知聚合 (FedGTA)，这是一种个性化优化策略，通过拓扑感知的局部平滑置信度和混合邻居特征进行优化。在实验中，我们在 12 个多尺度真实世界数据集上部署了 FedGTA，并采用 Louvain 和 Metis 划分。这使我们能够评估 FedGTA 在各种场景下的性能和鲁棒性。大量实验表明，FedGTA 在展现出高可扩展性和效率的同时，取得了最先进 (SOTA) 的性能。实验包括最具代表性的大规模图数据库 ogbn-papers100M，从而验证了我们方法在大规模图学习中的适用性。据我们所知，本研究是首个利用该优化策略将大规模图学习与 FGL 相结合的工作，促进了高效且可扩展的 FGL 方法的发展。