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

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

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

本文提出了一种基于结构和语义对比学习算法框架的简单神经网络 - S^3-CL，用于在无监督情况下学习表达具有全局结构和语义的节点特征，通过实验表明与现有的基于 GNN 的无监督 GCL 方法相比，S^3-CL 在不同的下游任务上可以获得优异的表现。

Feb, 2022

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

我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

Aug, 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

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

学习异质图的节点级表示对于欺诈者检测和蛋白质功能预测等各种应用至关重要。为了解决传统节点表示无法捕捉高阶图结构的问题，我们提出了一种新颖的多视图对比学习方法，通过在图上集成扩散滤波器，捕捉异质图中的结构等价性，发现传统节点表示中隐含的关系和相似性。我们的方法在合成和真实结构数据集上优于基准方法，在 Cornell 上比最佳基准方法提高了 16.06%，在 Texas 上提高了 3.27%，在 Wisconsin 上提高了 8.04%。此外，我们的方法在近邻任务上始终表现出卓越的性能，证明了其在揭示结构信息和改进下游应用方面的有效性。

Aug, 2023