FedSSP：基于谱知识和个人化偏好的联邦图学习
机器学习
2024-10-29 v1 密码学与安全
摘要
个人化联邦图学习（pFGL）facilitates（促进）在不损害隐私的前提下进行图神经网络（GNN）的去中心化训练，同时满足非独立同分布（non-IID）参与者的个人化需求。在跨域场景中，结构异构性对pFGL提出了重大挑战。然而，前人的pFGL方法错误地在全局范围内共享非通用知识，无法在domain structural shift（域结构变化）下在本地针对性地制定个人化解决方案。我们创新性地揭示了图的谱本质能够很好地反映内在的域结构变化。相应地，我们通过共享通用谱知识来克服这一挑战。此外，我们指出图结构的偏置信息传递方案，并提出了个人化偏好模块。将两者结合起来，我们提出了我们的pFGL框架FedSSP（Shares generic Spectral knowledge while satisfying graph Preferences），该框架在跨数据集和跨域设置下进行了广泛实验，证明了其优越性。代码已公开available。
引用
@article{arxiv.2410.20105,
title = {FedSSP: Federated Graph Learning with Spectral Knowledge and Personalized Preference},
author = {Zihan Tan and Guancheng Wan and Wenke Huang and Mang Ye},
journal= {arXiv preprint arXiv:2410.20105},
year = {2024}
}