基于谱方法的子图联邦学习
机器学习
2025-10-30 v1 人工智能
信息论
math.IT
摘要
我们考虑具有多个客户端分布的图结构数据的联邦学习（FL）问题。特别是，我们关注相互关联的子图场景，其中客户端之间的相互关联对学习过程具有显著影响。现有方法存在关键局限，要么需要交换敏感节点嵌入，导致隐私风险，要么依赖计算密集型步骤，限制了可扩展性。为解决这些挑战，我们提出了 FedLap—a novel 框架利用拉普拉斯平滑在谱域中捕获全局结构信息，以有效捕获节点间依赖关系，同时确保隐私和可扩展性。我们对 FedLap 的隐私进行形式化分析，表明它能够保持隐私。值得注意的是，FedLap 是首个具有强隐私保证的子图 FL方案。大量在基准数据集上的实验表明，FedLap 在实用性和优越性方面与现有技术相当或更好。
引用
@article{arxiv.2510.25657,
title = {Subgraph Federated Learning via Spectral Methods},
author = {Javad Aliakbari and Johan Östman and Ashkan Panahi and Alexandre Graell i Amat},
journal= {arXiv preprint arXiv:2510.25657},
year = {2025}
}
备注
To be presented at The Annual Conference on Neural Information Processing Systems (NeurIPS) 2025