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

提出了 FedGKD，一种新的联邦图神经网络框架，利用客户端图数据集提取更好描述任务相关性的任务特征，并引入一种对全局协作结构感知的新型服务器端聚合机制，通过在六个不同规模的真实世界数据集上进行广泛实验，证明该框架的优越性。

Sep, 2023

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

提出了一个新的标准联邦学习 (FL) 框架，该框架通过采用图形超网络进行参数共享，适应了异构客户端架构的需求，并在标准基准测试中表现显着优于现有解决方案。

Jan, 2022

本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。

Jul, 2023

本文介绍了一种新的框架，Blend&Grind-HGNN（BG-HGNN），该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题，其通过将不同关系融合到一个统一的特征空间中，在参数可管理的单一参数集的帮助下，得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明，BG-HGNN 在参数效率（高达 28.96 倍）、训练吞吐量（高达 8.12 倍）和准确性（高达 1.07 倍）方面显著超过了现有的 HGNN。

Mar, 2024

本文提出了一个自动化的分离式联邦图神经网络学习范式 (ASFGNN)，该范式包括 GNN 的训练和超参数调整两个主要组成部分，通过分离 - 联邦 GNN 学习模型和贝叶斯优化技术解决了数据的 Non-IID 问题和超参数调整的耗时问题，实验结果表明 ASFGNN 显著优于普通联邦 GNN。

Nov, 2020

我们开发了一个 FL 框架，其中维护一个全局的 NGM 模型，通过学习本地 NGM 模型的平均信息，同时保持训练数据在客户端环境中。我们的设计 FedNGMs 避免了神经元匹配框架的问题，如 Federated Matched Averaging，在这些框架中存在模型参数膨胀的问题。我们的全局模型大小在整个过程中保持恒定。对于客户端具有不包含在组合全局分布中的本地变量的情况，我们提出了一种 “拼接” 算法，它通过使用客户端数据合并附加变量来个性化全局 NGM 模型。FedNGM 对数据异质性、大量参与者和有限的通信带宽具有鲁棒性。

Sep, 2023

本文提出 FedVGCN 算法，是一个隐私保护的节点分类任务的联邦学习范式，能够推广到现有的 GCN 模型，将计算图数据分成两部分，在同态加密下，双方交换中间结果进行训练，实验结果表明 FedVGCN 在 GraphSage 的情况下是有效的。

Jun, 2021

跨庭院和跨设备的分散图联合学习具有很高的隐私保护性能，提出了 HiFGL 框架，它采用分层体系结构和秘密信息传递方案，可以在异构客户端中进行联邦图神经网络训练并确保图的完整性。

Jun, 2024