通过激励机制迈向公平的图联邦学习

图联邦学习（FL）已成为一种关键范式，使多个智能体能够在保护本地数据隐私的同时协同训练图模型。然而，当前的努力忽视了一个关键问题：智能体是自利的，在没有公平且令人满意的激励的情况下会犹豫是否分享数据。本文是首个通过研究图联邦学习的激励机制来解决该问题的尝试。我们在图联邦学习中识别出一个独特现象：存在对联邦构成潜在危害的智能体以及贡献延迟的智能体。这与以往假设所有智能体均积极且及时贡献的FL激励机制形成对比。鉴于此，本文提出了一种专为公平图联邦学习量身定制的新型激励机制，整合了源自模型梯度和报酬的激励。为实现这一点，我们首先引入了一个智能体估值函数，旨在通过引入两个标准来量化智能体贡献：梯度对齐和图多样性。此外，由于图联邦学习中的高度异质性，在准确率和公平性之间取得平衡变得尤为关键。我们引入了模体原型以提升准确率，其在服务器与智能体之间通信，增强了全局模型聚合并辅助智能体进行局部模型优化。大量实验表明，我们的模型在准确率和模型梯度公平性之间实现了最佳权衡，并具有卓越的报酬公平性。