图联邦学习中的同质性异质性研究：频谱共享与互补视角

由于异质性是图联邦学习中的基本挑战，许多现有方法被提出以处理节点特征异质性和结构异质性。然而，它们忽略了关键的同质性异质性，即不同客户端的图数据之间同质性水平的显著差异。同质性水平表示连接属于同一类别节点的边的比例。由于适应其局部同质性，局部模型在不同客户端间捕获不一致的频谱特性，显著降低了协作的有效性。具体而言，在同质性高的图上训练的局部模型倾向于捕获低频信息，而在同质性低的图上训练的局部模型倾向于捕获高频信息。为了有效处理同质性异质性，我们引入了频谱图神经网络（GNN），并提出了一种通过挖掘图频谱特性的新型联邦学习方法（FedGSP）。一方面，我们提出的 FedGSP 使客户端能够共享通用频谱特性（即低频信息），使所有客户端通过协作受益。另一方面，受我们理论发现的启发，FedGSP 允许客户端通过获取其缺失的频谱特性（即高频信息）来互补非通用频谱特性，从而获得额外的信息增益。在六个同配性和五个异配性图数据集上、在重叠与非重叠设置下进行的大量实验，验证了我们的方法相对于十一种最先进方法的优越性。值得注意的是，我们的 FedGSP 在所有异配性数据集上平均优于次优方法 3.28%。