GraphFedMIG：基于相互信息引导的联邦图学习类不平衡问题解决方法
机器学习
2025-08-15 v1
摘要
联邦图学习（FGL）使多个客户端能够在不共享其私有、去中心化图数据的情况下协作训练强大的图神经网络。继承自通用联邦学习，FGL 面临统计异构性问题，即跨客户端的数据分布为非独立同分布（non-IID），这会严重损害模型性能。其特别具有破坏性的形式是类别不平衡问题，导致全局模型偏向多数类别，无法识别稀有但关键事件。在FGL中，由于来自少数类的节点常常被偏置性的邻域信息所包围，阻碍了表达性嵌入的学习。为应对这一挑战，我们提出了GraphFedMIG，一种新的FGL框架，将问题重新表述为联邦生成式数据增强任务。GraphFedMIG采用分层生成对抗网络，其中每个客户端训练本地生成器以合成高保真特征表示。为提供量身定制的监督信号，客户端被分组到各个聚类中，每个聚类共享一个专用判别器。关键在于，框架设计了一种相互信息引导机制来引导这些客户端生成器的演化。通过计算每个客户端的独特信息价值，该机制纠正了本地生成器的参数，确保后续轮次的相互信息引导生成聚焦于产生高价值、少数类特征。我们在四个真实数据集上进行了大量实验，结果表明，提出的GraphFedMIG在其他基线方法之上具有优势。
引用
@article{arxiv.2508.10471,
title = {GraphFedMIG: Tackling Class Imbalance in Federated Graph Learning via Mutual Information-Guided Generation},
author = {Xinrui Li and Qilin Fan and Tianfu Wang and Kaiwen Wei and Ke Yu and Xu Zhang},
journal= {arXiv preprint arXiv:2508.10471},
year = {2025}
}