面向图联邦学习的异质性感知知识共享
机器学习
2026-01-30 v1
摘要
图联邦学习(GFL)能够在保护图数据隐私的同时实现分布式图表示学习。然而，GFL面临由多个客户端间不同的节点特征和结构拓扑所导致的异质性问题。为应对这两种异质性，我们提出了一种新颖的基于语义与结构对齐的图联邦学习方法(FedSSA)，该方法共享节点特征和结构拓扑的知识。针对节点特征异质性，我们提出了一种新颖的变分模型来推断类级节点分布，从而根据推断的分布对客户端进行聚类并构建聚类级代表性分布。然后我们最小化局部分布与聚类级分布之间的散度以促进语义知识共享。针对结构异质性，我们采用谱图神经网络(GNN)并提出一种谱能量度量来表征结构信息，从而根据谱能量对客户端进行聚类并构建聚类级谱GNN。然后我们将局部谱GNN的谱特征与聚类级谱GNN的谱特征对齐以实现结构知识共享。在非重叠和重叠划分设置下的六个同质图和五个异质图数据集上的实验表明，FedSSA始终优于十一种最先进的方法。
引用
@article{arxiv.2601.21589,
title = {Heterogeneity-Aware Knowledge Sharing for Graph Federated Learning},
author = {Wentao Yu and Sheng Wan and Shuo Chen and Bo Han and Chen Gong},
journal= {arXiv preprint arXiv:2601.21589},
year = {2026}
}
备注
33 pages