基于可微辅助投影的个性化子图联邦学习
机器学习
2025-10-01 v2 人工智能
摘要
图结构数据上的联邦学习（FL）通常面临非独立同分布（non-IID）挑战，特别是在每个客户端持有从全局图中采样的不同子图的场景中。在本文中，我们引入了带辅助投影的联邦学习（FedAux），这是一个个性化子图联邦学习框架，它学习在不共享原始数据或节点嵌入的情况下对齐、比较和聚合异构分布的本地模型。在 FedAux 中，每个客户端联合训练一个本地 GNN 和一个可学习的辅助投影向量（APV），该向量以可微的方式将节点嵌入投影到一维空间。随后通过软排序操作和轻量级一维卷积在有序空间中细化这些嵌入，使 APV 能够有效捕捉客户端特定的信息。本地训练后，这些 APV 作为紧凑的签名，供服务器计算客户端间的相似度并执行基于相似度加权的参数混合，从而在保持跨客户端知识迁移的同时生成个性化模型。此外，我们提供了严格的理论分析以确立我们设计的收敛性和合理性。在多种图基准上的实证评估表明，FedAux 在准确性和个性化性能方面均大幅优于现有基线。代码可在 https://github.com/JhuoW/FedAux 获取。
引用
@article{arxiv.2505.23864,
title = {Personalized Subgraph Federated Learning with Differentiable Auxiliary Projections},
author = {Wei Zhuo and Zhaohuan Zhan and Han Yu},
journal= {arXiv preprint arXiv:2505.23864},
year = {2025}
}
备注
Accepted by NeurIPS 2025