FedIA：面向联邦图学习的域鲁棒聚合
机器学习
2026-01-23 v3
摘要
联邦图学习（Federated Graph Learning, FGL）使中央服务器能够在不共享本地图数据的情况下协调分布式客户端的模型训练。然而，FGL 在跨车域迁移（cross-silo domain shifts）方面显著受限，其中每个“车域”包含有限数量的客户端且具有不同的图拓扑结构。这些异构性会导致优化轨迹的差异，最终导致全局模型发生收敛。本文揭示了一种严重的架构病态，称为结构正交性（Structural Orthogonality）：基于拓扑的消息传递机制迫使来自不同车域的梯度指向参数空间中不相交的坐标。通过对不同 backbone 的控制性比较，我们统计性地证明了 GNN 更新在车域之间几乎垂直（投影比率 0）。因此，简单地平均会导致共识崩溃（Consensus Collapse），即稀疏且有信息的结构信号被其他几乎为零的更新所稀释。这迫使全局模型处于“次优”状态，无法代表车域特定的结构模式，导致泛化性能差。为解决这一问题，我们提出 FedIA，一个轻量级的服务器端框架，旨在无需额外通信的情况下解决更新冲突。FedIA 在两个阶段运行：（1）全局重要性遮罩（Global Importance Masking, GIM）识别共享参数子空间，以过滤掉车域特定的结构噪声并防止信号稀释；（2）置信度感知动量加权（Confidence-Aware Momentum Weighting, CAM）根据梯度可靠性动态重新加权客户端贡献，以放大稳定的优化信号。
引用
@article{arxiv.2509.18171,
title = {FedIA: Towards Domain-Robust Aggregation in Federated Graph Learning},
author = {Zhanting Zhou and KaHou Tam and Yiding Feng and Ziqiang Zheng and Zeyu Ma and Yang Yang},
journal= {arXiv preprint arXiv:2509.18171},
year = {2026}
}