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

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

提出了一种称为 FedGraph 的泛化算法，该算法使用图卷积神经网络从客户端的子集中学习特征，捕捉特征共享信息，并采用简单但有效的聚类算法聚合每个客户端的深度神经网络生成的特征，同时保护数据隐私。

Apr, 2024

本文介绍了一种名为 FedGraph 的联邦学习框架，它使用基于深度强化学习的智能图采样算法以及一种新的跨客户卷积操作来解决计算客户之间图学习的挑战，从而实现数据隐私保护和更好的性能表现。在四个流行数据集上的实验表明，FedGraph 显著优于现有的工作，并能够更快地收敛到更高的准确性水平。

Nov, 2021

图形联邦学习在多种场景中都有广泛的应用，需要更多的数据隐私保护。这篇研究论文提出了一种基于去中心化框架以及节点间数据相似性的图形联邦学习方法，通过线性加权聚合节点的梯度信息，实验证明该方法的有效性优于其他方法。

Jul, 2023

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

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

本文提出了一种基于自我图的联邦图学习框架 FedEgo，旨在解决分布式图数据中的隐私问题和统计异质性问题，通过将 GraphSAGE 应用于自我图以利用结构信息，并利用 Mixup 来处理隐私问题。我们提出了一种自适应混合系数策略来处理统计异质性，以帮助客户实现最佳个性化效果。实验结果表明 FedEgo 的有效性。

Aug, 2022

本研究提出了一个名为 FedC2SL 的联邦约束因果结构学习方案，它使用联邦有条件独立性检验学习因果图，该方案需要更弱和更现实的数据假设，并针对客户端数据变异提供更强的抗性，从而解决了在保护隐私方面存在的一些问题。实验结果表明，FedC2SL 具有令人鼓舞的性能和对客户端数据异质性的强大韧性。

Jun, 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