基于结构化知识共享的非独立同分布图上联邦学习

Nov, 2022

基于结构化知识共享的非独立同分布图上联邦学习

Federated Learning on Non-IID Graphs via Structural Knowledge Sharing

Yue Tan, Yixin Liu, Guodong Long, Jing Jiang, Qinghua Lu...

TL;DR提出了 FedStar 框架，该框架是一种用于跨图联邦学习任务的 FGL 框架，其提取和共享公共底层结构信息，从而捕获更多基于结构的领域不变信息并避免特征不匹配问题。

Abstract

graph neural networks (GNNs) have shown their superiority in modeling graph data. Owing to the advantages of federated learning, federated graph learning (FGL) enables clients to train strong GNN models in a dist

graph neural networks federated graph learning non-iid problem structure embeddings fedstar

发现论文，激发创造

非 IID 图上的联邦图分类

该文介绍了一种基于图聚类的联邦学习框架 GCFL，它通过动态发现基于 GNN 梯度的本地系统集群，从而降低本地系统拥有的图的结构和特征异质性。该框架通过动态时间规整设计梯度序列聚类机制（GCFL +），其有效地应用于各种现实世界的图形分类任务中。

Jun, 2021

联合图语义和结构学习

联邦图学习通过分布式图训练共同学习一个全局图神经网络，在非独立同分布的分布式图中面临着重要的挑战。本文首次揭示了局部客户端扭曲现象的原因，包括节点级语义和图级结构。根据节点级语义，对比不同类别的节点有助于提供良好的区分能力。根据图级结构，邻节点具有相似性。我们通过将邻接关系转化为相似度分布，并利用全局模型将关系知识传递给局部模型，以保留局部模型的结构信息和可区分性。实证结果表明，该方法在三个图数据集上优于其他方法。

Jun, 2024

联邦图学习 -- 一个立场论文

在分布式数据隐私敏感的场景下，集中式训练图神经网络模型面临一些挑战，因此我们提出了一种名为联邦图学习（FGL）的方法，借助于联邦学习技术在保持数据去中心化的同时共同训练模型，并对 FGL 进行了分类、讨论、挑战和应用倡议。

May, 2021

FedStruct: 分布式解耦图联邦学习

我们提出了一种名为 FedStruct 的新框架，用于处理分布在多个客户端上的基于图结构的数据的联邦学习挑战，通过利用明确的全局图结构信息捕捉节点间的依赖关系，FedStruct 消除了在客户端之间共享敏感节点特征或嵌入的必要性，通过在六个数据集上进行的实验结果验证了 FedStruct 的有效性，并展示了在不同情景下（包括不同的数据划分方法、可用标签的不同级别以及客户端数量）接近于集中式方法的性能。

Feb, 2024

FedGraphNN：图神经网络联邦学习系统和基准

本研究介绍 FedGraphNN，一个用于解决中心化实际世界图形数据训练 GNN 所面临的隐私问题的开放式分布式学习平台，涵盖各种数据集，流行的 GNN 模型以及 FL 算法，维护源代码的统一公式和安全高效的系统支持。

Apr, 2021

FedGL: 具有全局自监督的联邦图学习框架

文章提出一种基于联邦学习的图学习架构 FedGL，通过全局的自监督信息聚合每个客户机的模型，利用图数据的互补性，保护数据隐私并在分布式场景下提高模型质量。实验结果表明，FedGL 较传统方法在四个广泛使用的图数据集上表现优异。

May, 2021

异构联邦学习

本文提出了一种新颖的联邦学习框架，通过设计特征定向调节方法 (ψ-Net) 来确保显式特征信息在不同的神经网络结构中的分配，并应用于协作模型中，在通常分散和混乱的信息环境下，通过协定的时序，信息的有序分配及结构匹配，提高了联邦学习的适用性，同时提供了优秀的收敛速度、精度和计算 / 通信效率。

Aug, 2020

FedHGN: 一种针对异构图神经网络的联邦框架

本文提出了 FedHGN，这是一种新颖而通用的 FGL 框架，用于异构图神经网络，采用模式权重分离来启用模式不可知知识共享，并采用系数对齐来稳定训练过程和提高 HGNN 性能，确保更好的隐私保护，FedHGN 在三个异构图数据集上的表现优于本地训练和传统的 FL 方法。

May, 2023

个性化联邦学习与图形

本文提出了一种基于图结构的结构化联邦学习框架（SFL），通过使用客户端之间的关系图形信息来加强 PFL 中的知识共享过程，并能够同时学习全局和个性化模型。SFL 可扩展到学习客户之间的隐藏关系，并证明了其在交通和图像基准数据集上的有效性。

Mar, 2022

共享嵌入的联邦图神经网络

本研究提出了一种基于图嵌入的联邦学习方法，在不直接分享原始数据的情况下利用共享嵌入数据提高了现有基于图的网络的训练效率，并在不同数据集上进行了实验以显示其有效性，使得当前基于图的模型在联邦学习框架中的训练具备隐私保护的功能。

Oct, 2022