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

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

本研究提出SpreadGNN，是一种新型的多任务联邦学习框架，能够在无中心服务器的情况下操作，使用一个具有收敛保证的新型优化算法Decentralized Periodic Averaging SGD (DPA-SGD)来解决分散式多任务学习问题，并在各种非独立同分布的分布式图层次molecular property prediction数据集上验证了其有效性。

Jun, 2021

本文对子图联邦学习问题提出两种主要技术，即基于FedAvg的FedSage模型和带有缺失邻居生成器的FedSage +模型，以协作地训练功能强大且具有泛化能力的图形挖掘模型而无需直接共享图形数据。实验结果表明我们所提出的方法在四个真实世界的图形数据集中，表现出了良好的效果和效率，并且在理论上证明了其对于全局图的泛化能力。

Jun, 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

本论文旨在探讨超图学习方法和基准数据集的一些悬而未决的问题，其中提出了一种新的同质性概念，探索了高阶网络结构和动态的分析框架，并引入了 MultiSet 框架重新定义 Hypergraph Neural Networks。

Oct, 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

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

通过 FedMpa 和 FedMpae 方法，本研究在子图联邦学习中解决了缺失的跨子图边的问题，并提出了改进节点表示和节点分类的方法。

Jun, 2024