AdaFGL 是一个分布式的基于图神经网络的框架，通过引入 structure Non-iid split 的概念，提供了一种解决 Federated Graph Learning 中独特异构性挑战的新范式，实验证实其在 12 个图网络基准数据集上具有优异的性能。

Jan, 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

该研究提出了一种数据无关的知识蒸馏方法，通过生成器探索本地模型的输入空间，并将本地模型的知识传递到全局模型中。实验结果表明，该方法在解决联邦学习中的数据异质性问题及提升模型性能方面，优于现有的联邦学习算法。

Mar, 2022

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

本篇论文提出了一种基于生成对抗网络的无需真实数据的对抗知识蒸馏框架，用于图结构数据的知识蒸馏，可以有效压缩图模型并在图分类任务中取得更好的性能。

May, 2022

该研究提出了一种无需原始数据即可解决异构 Federated Learning 问题的新方法，通过使用轻量级生成器来集成用户信息以调控本地训练，并在实验中表现出了更好的泛化能力。

May, 2021

我们提出了一种有效的联邦图异常检测框架 (FGAD)，通过引入异常生成器来扰动正常图形，通过区分生成的异常图形和正常图形来训练强大的异常检测器。然后，我们利用一个学生模型从训练的异常检测器（教师模型）中提取知识，旨在保持本地模型的个性并减轻非独立同分布问题的不利影响。此外，我们设计了一个有效的协作学习机制，促进了本地模型的个性保存并显著降低了客户之间的通信成本。与最先进的基准线相比，在非独立同分布图上的图异常检测任务的实证结果表明了所提出的 FGAD 方法的优越性和效率。

Feb, 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

在神经网络中，联邦学习的性能通常受到数据分布的异构性的影响。本研究提出了一种新的联邦学习框架，配备了去中心化知识蒸馏（FedDKD）的过程，通过分布在本地的局部模型来训练全球模型，可以更有效地拟合神经网络映射平均值，来克服权重计算问题。实验证明，FedDKD 在一些极度异构的数据集上表现出更高的效率和更好的训练结果，优于现有的联邦学习算法。

May, 2022

本文提出了一种基于分布式知识一致性的无代理数据 Federated Distillation 算法以减轻客户端模型异质性带来的知识不一致问题，并设计了优化策略以保证本地模型参数能够满足近似相似分布并被视为一致。实验表明该算法在多种异构设置下均明显优于现有方法并大幅提高了收敛速度。

Apr, 2022