Lumos：去中心化设备上面向异构感知的联邦图学习

图神经网络（GNN）因处理图结构数据的能力已广泛部署于现实网络应用与系统中。然而，数据隐私意识的增强严重挑战了传统集中式模型训练范式（服务器掌握所有图信息）。联邦学习是一种新兴协作计算范式，允许在不集中数据的情况下进行模型训练。现有联邦 GNN 研究主要关注客户端持有不同图或子图的系统。实际的节点级联邦情形（每个客户端仅知晓其直接邻居）尚待研究。本文中，我们提出首个称为 Lumos 的联邦 GNN 框架，支持在节点级联邦图上进行带特征与度保护的有监督与无监督学习。我们首先设计树构造器以在有限结构信息下提升表示能力。进一步提出基于蒙特卡洛马尔可夫链的算法，以缓解由度异构引起的负载不均衡，并具有理论保证的性能。基于为每个客户端构造的树，提出去中心化基于树的 GNN 训练器以支持多样化训练。大量实验表明 Lumos 以显著更高精度优于基线，并大幅降低通信开销与训练时间。