联邦图学习中的广义类别发现
机器学习
2026-05-12 v1 人工智能
摘要
联邦图学习（FGL）能够对分布式图数据进行协作学习，然而现有方法大多依赖于封闭世界假设，限制了它们在新类别不断涌现的动态环境中的适用性。为弥补这一差距，我们针对联邦图广义类别发现（FGGCD）这一实际场景，旨在跨去中心化的图客户端协作发现新类别，同时保留对已知类别的知识。我们观察到 FGGCD 引入了两个根本性挑战：（1）邻域吸收效应，即结构碎片化导致有偏的邻域聚合，使得新节点被误分类为已知类别；（2）全局语义不一致性，即前述局部偏差传播到服务器，并被异构的子图分布放大，阻碍了跨客户端知识整合。为解决这些问题，我们提出了 GCD-FGL，一个用于 GCD 的 FGL 框架，该框架集成了客户端拓扑可靠的语义对齐与发现过程以减轻邻域吸收效应，以及服务器端的分层原型对齐策略以解决全局语义不一致性。在五个真实世界图数据集上的大量实验表明，GCD-FGL 始终优于最先进的基线，在 HRScore 上平均绝对增益达到 +4.86。
引用
@article{arxiv.2605.08178,
title = {Generalized Category Discovery in Federated Graph Learning},
author = {Zhongzheng Yuan and Lianshuai Guo and Xunkai Li and Wenyu Wang and Meixia Qu},
journal= {arXiv preprint arXiv:2605.08178},
year = {2026}
}