专题解读 | 自适应与拓扑感知：联邦图机器学习的新视角

文章预览

自适应与拓扑感知：联邦图机器学习的新视角 一、简介 联邦图机器学习（Federated Graph Learning）作为一种结合联邦学习与图数据处理的新兴范式，正在逐步成为分布式图学习领域的研究热点。然而，现实场景中的数据和拓扑往往呈现出显著的异质性，为联邦图学习中的全局模型聚合和本地训练带来了巨大挑战。如何有效应对这些异质性问题成为了当前研究的核心目标。本文将介绍联邦图机器学习的两篇重要研究工作，这两篇论文分别从知识可靠性与拓扑异质性的视角出发，提出了针对性的解决方案，为联邦图机器学习的性能优化和实际应用提供了新的理论和实践指导。 二、FedTAD: Topology-aware Data-free Knowledge Distillation for Subgraph Federated Learning （IJCAI 2024） 子图联邦学习广泛存在异质性挑战，特别是存在由于节点标签分布和拓扑变化引起的类别级知识可 ………………………………