拓扑感知无数据知识蒸馏技术 (FedTAD) 可以解决子图异质性所带来的性能下降问题，通过优化局部 GNN 模型向全局模型的可靠知识转移，提高分布式图神经网络训练效果。

Apr, 2024

我们提出一种个性化优化策略，名为 Federated Graph Topology-aware Aggregation（FedGTA），通过拓扑感知的局部平滑置信度和混合邻居特征来优化分布式图学习方法，实现优越的性能和高度可扩展性。

Jan, 2024

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

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

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

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

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 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。

Nov, 2022

提供了第一个 FL 框架 (GraphFL)，用于解决非 IID 问题，处理新标签域的任务以及利用未标记的图形数据，使用代表性的图神经网络作为 GraphSSC 方法，并在多个图形数据集上评估，结果表明 GraphFL 显着优于比较的 FL 基线，GraphFL 通过自我训练可以获得更好的性能。

Dec, 2020

提出了一种可扩展的 FedGraphTransformer（FedGT）方法，通过混合注意力机制解决了分布式图神经网络在局部子图更新中缺失链接的问题，以及子图异构性和数据隐私保护的问题。实验证明了 FedGT 的优越性。

Jan, 2024