迈向无偏见的联邦图学习：标签与拓扑视角

联邦图学习（FGL）使得图神经网络能够在无需共享原始数据的情况下进行隐私保护的分布式训练。在其方法中，子图联邦学习（subgraph-FL）已成为主导范式，大多数工作侧重于提高整体节点分类准确性。然而，由于节点特征、标签和图结构的复杂性，这些方法常常忽视公平性。特别是，它们在具有不利属性的节点上表现不佳，例如在子图中属于少数类或具有异嗜连接（邻居具有不相似标签或误导性特征）的节点。这揭示了一个关键问题：高准确性可能掩盖在结构或语义边缘化节点上性能的下降。为了解决这个问题，我们主张两个公平性目标：（1）改善少数类节点的表示以实现类别公平性，以及（2）减轻来自异嗜连接的拓扑偏差以实现拓扑感知公平性。我们提出了FairFGL，一个通过细粒度图挖掘和协作学习来增强公平性的新颖框架。在客户端，历史保持模块防止对局部主导类别的过拟合，而多数对齐模块则细化异嗜多数类节点的表示。梯度修改模块从结构有利的客户端转移少数类知识以提高公平性。在服务器端，FairFGL仅上传受影响最大的参数子集以减少通信成本并更好地反映局部数据分布。一种基于聚类的聚合策略调和了冲突的更新并抑制了全局多数主导。在八个基准上的广泛评估表明，FairFGL显著提高了少数群体的性能，与最先进的基线相比，实现了高达22.62%的Macro-F1提升，同时加快了收敛速度。