FedHERO：面向异质性图节点分类任务的联邦学习方法
机器学习
2025-05-27 v2 人工智能
分布式、并行与集群计算
摘要
联邦图学习（FGL）使客户端能够在分布式环境下协同训练图神经网络（GNN），同时保持数据隐私。然而，FGL方法通常要求所有客户端拥有的图数据具有同质性，以确保各节点邻居分布模式相似。这种假设确保从各客户端获得的局部模型学习到的知识是一致的，因此可以在不损害整体性能的前提下，将这些局部模型正确聚合为全局模型。然而，当各客户端的节点邻居分布模式不同（例如，客户端持有的图具有不同的异质程度时），其局部模型可能获得不同的甚至冲突的知识。Consequently，聚合这些局部模型通常会导致全局模型性能恶化。为解决这一挑战，我们提出了FedHERO，一个旨在有效利用异质性图中洞见的FGL框架。FedHERO的核心是一个配备结构学习器的双通道GNN，旨在辨识局部图中编码的结构知识。通过这个专用组件，FedHERO使每个客户端的局部模型能够识别并学习在节点邻居分布模式不同的图中普遍适用的模式。FedHERO不仅通过利用局部和共享结构洞察来提升各客户端模型的性能，还在该领域设立了新的先沉，有效处理具有不同节点邻居分布模式的图数据。我们进行了大量实验，以验证FedHERO优于现有方法的优越性能。
引用
@article{arxiv.2504.21206,
title = {FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs},
author = {Zihan Chen and Xingbo Fu and Yushun Dong and Jundong Li and Cong Shen},
journal= {arXiv preprint arXiv:2504.21206},
year = {2025}
}