FedSA-GCL：一种基于聚类感知广播和个人化聚合的半异步联邦图学习框架
机器学习
2025-08-06 v2 人工智能
摘要
联邦图学习（FGL）是一种分布式学习范式，使能够在多个本地系统上 located 的大规模子图上进行协作训练。然而，大多数现有 FGL 方法依赖同步通信，导致效率低下且在实际部署中往往不切实。与此同时，当前的异步联邦学习（AFL）方法主要为传统任务如图像分类和自然语言处理设计，不考虑图数据的独特拓扑特性。直接将这些方法应用于图学习可能导致全局模型中的语义漂移和表示不一致。为了解决这些挑战，我们提出了 FedSA-GCL，一种半异步联邦框架，通过一种新颖的 ClusterCast 机制利用客户标签分布发散性和图拓扑特征进行高效训练。我们在使用 Louvain 和 Metis 分割算法的多个真实图数据集上评估了 FedSA-GCL，并将其与 9 个基线方法进行比较。广泛的实验表明，我们的方法实现了强大的鲁棒性和卓越的效率，平均以 Louvain 和 Metis 分割分别超过基线 2.92% 和 3.4%。
关键词
引用
@article{arxiv.2507.18219,
title = {FedSA-GCL: A Semi-Asynchronous Federated Graph Learning Framework with Personalized Aggregation and Cluster-Aware Broadcasting},
author = {Zhongzheng Yuan and Lianshuai Guo and Xunkai Li and Yinlin Zhu and Wenyu Wang and Meixia Qu},
journal= {arXiv preprint arXiv:2507.18219},
year = {2025}
}