摘要

本文介绍了一种名为“联邦图语义和结构学习”（Federated Graph Semantic and Structural Learning, FGSSL）的新型联邦学习框架，旨在解决在分布式图神经网络训练中数据非独立同分布（non-IID）的问题。该框架通过分别校正节点级语义和图级结构偏差，来改善联邦图学习（FGL）的性能。论文提出的方法包括联邦节点语义对比（FNSC）和联邦图结构蒸馏（FGSD），通过实验验证了其在多个图数据集上的优越性能。

原理

FGSSL框架的核心在于解决联邦学习中图数据的非独立同分布问题。首先，FNSC组件通过对比学习方法，将局部节点的特征向量拉近到同一类别的全局节点特征，同时推远不同类别的全局节点特征，以此增强节点级别的语义判别能力。其次，FGSD组件通过将全局模型的邻接关系转化为相似度分布，并将其蒸馏到局部模型中，从而保持图结构的完整性和判别性。这两种方法共同作用，确保了在保护隐私的同时，能够有效地整合和利用分布式图数据。

流程

FGSSL的工作流程包括两个主要步骤：节点级语义校正和图级结构校正。在节点级语义校正中，局部模型通过对比学习，将节点特征与全局模型中的正样本（同一类别节点）拉近，与负样本（不同类别节点）推远。在图级结构校正中，局部模型通过学习全局模型的邻接节点相似度分布，来校正自身的图结构。整个过程通过联邦学习框架进行，不需要额外共享敏感数据，确保了隐私安全。

应用

FGSSL框架适用于需要处理大量分布式图数据的应用场景，如社交网络分析、知识图谱构建等。其能够有效解决数据非独立同分布问题，提高模型性能，具有广泛的应用前景。特别是在保护用户隐私的前提下，联邦学习框架能够促进多方数据的协同利用，为跨组织的数据分析提供了新的可能性。