重新思考客户端导向的联邦图学习
机器学习
2025-08-15 v2
摘要
作为一种新的分布式图学习范式，联邦图学习(Federated Graph Learning, FGL) facilitate 在保护数据隐私的同时跨越本地系统进行协作模型训练。我们综述了现有的FGL方法，并将其优化机制分为：(1)服务器-客户端(Server-Client, S-C)，其中客户端上传本地模型参数进行服务器端聚合和全局更新；(2)客户端-客户端(Client-Client, C-C)，允许客户端之间进行直接信息交换并定制化其本地训练过程。我们揭示了C-C具有更大的潜在优势，由于其精细化的通信结构。然而，现有的C-C方法广播冗余节点表示，导致高通信成本和节点级别的隐私风险。为此，我们提出了FedC4，该方法将图条件化与C-C协作优化结合起来。具体而言，FedC4采用图条件化技术将每个客户端图的知识细化为少量合成嵌入，而不是传输节点级别的知识。此外，FedC4引入了三个新模块，允许源客户端针对目标客户端的图属性发送不同的节点表示。在八个公开真实数据集上的实验表明，FedC4在任务性能和通信成本方面均优于最先进的基线方法。我们的代码现已在https://github.com/Ereshkigal1/FedC4上提供。
引用
@article{arxiv.2504.14188,
title = {Rethinking Client-oriented Federated Graph Learning},
author = {Zekai Chen and Xunkai Li and Yinlin Zhu and Rong-Hua Li and Guoren Wang},
journal= {arXiv preprint arXiv:2504.14188},
year = {2025}
}
备注
10 pages, 7 figures; references added