S2FGL：空间-谱联邦图学习
机器学习
2025-08-19 v4 人工智能
摘要
联邦图学习（FGL）将联邦学习（FL）的隐私保留能力与图神经网络（GNN）的强大图建模能力相结合。当前研究从结构角度解决子图联邦学习问题，忽略了图信号在结构的空间和谱域中的传播。从空间角度来看，子图联邦学习引入了客户之间边缘断开，导致标签信号中断，损害全局GNN的语义知识。从谱系角度来看，谱系异质性导致子图间信号频率不一致，使得局部GNN过拟合局部信号传播方案。结果是发生谱系客户漂移，损害全局泛化性。为解决这些挑战，我们提出了全局知识存储库以缓解标签信号中断导致的语义知识不足问题。进一步，我们设计了频率对齐以处理谱系客户漂移。空间策略与谱系策略的组合形成了我们的框架S2FGL。在多个数据集上的大量实验表明，S2FGL的优势显而易见。代码已公开于 https://github.com/Wonder7racer/S2FGL.git。
引用
@article{arxiv.2507.02409,
title = {S2FGL: Spatial Spectral Federated Graph Learning},
author = {Zihan Tan and Suyuan Huang and Guancheng Wan and Wenke Huang and He Li and Mang Ye},
journal= {arXiv preprint arXiv:2507.02409},
year = {2025}
}