迈向深度图神经网络的联合学习

《IEEE Transactions on Knowledge and Data Engineering》：Towards Federated Learning of Deep Graph Neural Networks

联邦图学习（FGL）中各客户端的子图节点分布导致全局图结构缺失，现有方法通过生成伪节点或直接传输缺失嵌入，但前者仅适用于1跳邻居，后者通信成本高。本文提出Fed2GNN框架，创新性地构建基于ego树的图结构，通过编码器-解码器机制实现低通信成本的邻居知识重建，在深度GNN训练中验证其有效性，通信成本比基线方法降低约100倍。

　　

摘要：

联邦图学习（Federated Graph Learning, FGL）旨在多个客户端之间协作训练图神经网络（Graph Neural Networks, GNNs），每个客户端拥有全局模型的一个子图。FGL中的一个关键挑战在于分布在不同子图中的节点之间可能存在相互连接，这导致图中邻域知识无法被完整捕获。现有的FGL框架试图通过生成伪节点或直接在客户端之间传输缺失的节点嵌入来学习缺失的邻域知识，但这些方法要么仅适用于1跳邻居节点，要么在训练更深层次的GNN时会带来较高的通信成本。在本文中，我们提出了一种名为FGN