用于局部泛化的子图联邦学习

图上的联邦学习（FL）使协作模型训练得以增强性能，同时不损害每个客户端的隐私。然而，现有方法往往忽略了图数据的可变特性，图数据频繁引入新节点并导致标签分布的偏移。由于它们仅关注在每个客户端的局部数据上表现良好，因此容易过拟合于其局部分布（即局部过拟合），从而阻碍了其泛化到具有多样化标签分布的未见数据的能力。相比之下，我们提出的方法FedLoG通过缓解局部过拟合有效地解决了这一问题。我们的模型通过浓缩每个类别表示中的可靠信息及其跨客户端的结构信息来生成全局合成数据。使用这些合成数据作为训练集，我们通过自适应地泛化每个局部数据集中缺失的知识来缓解局部过拟合问题。这增强了局部模型的泛化能力，使其能够有效处理未见数据。我们的模型在旨在衡量实际场景中未见数据泛化能力的实验设置中优于基线。我们的代码可在 https://github.com/sung-won-kim/FedLoG 获取。