FedSheafHN: Personalized Federated Learning on Graph-structured Data

个性化子图联邦学习（FL）是一项任务，它定制了图神经网络（GNN）以适应不同的数据分布和个别客户的需求。然而，在FL中应用超网络，旨在促进模型个性化，常常会遇到由于客户特定特征表示不充分而产生的挑战。为了克服这些限制，我们提出了一种名为FedSheafHN的模型，利用增强的协作图嵌入和高效的个性化模型参数生成。具体而言，我们的模型将每个客户的本地子图嵌入到由服务器构建的协作图中。我们利用协作图中的束扩散来学习客户表示。我们的模型改进了复杂客户特征的整合和解释。此外，我们的模型通过优化用于跨客户并行操作的先进超网络，确保生成个性化模型。经验评估表明，FedSheafHN在大多数场景中的客户模型性能方面优于现有方法，适用于各种图结构数据集。它还具有快速的模型收敛和有效的新客户泛化能力。

本论文旨在解决个性化子图联邦学习中，使用超网络进行模型个性化时遇到的问题，即客户端特征表达不足的问题。

FedSheafHN模型通过增强协作图嵌入和高效个性化模型参数生成，解决了使用超网络进行模型个性化时遇到的问题。具体而言，该模型将每个客户端的本地子图嵌入到服务器构建的协作图中，利用协作图中的束扩散来学习客户端表征。该模型通过先进的超网络确保生成个性化模型，并针对客户端进行并行操作的优化。实验结果表明，FedSheafHN在各种图结构数据集上的客户端模型表现优于现有方法，并具有快速的模型收敛和有效的新客户端泛化性能。

该论文提出的FedSheafHN模型在个性化子图联邦学习中表现优异，具有以下亮点：1.增强协作图嵌入和束扩散技术，提高了客户端表征的质量；2.使用超网络确保了模型的个性化生成，并进行了并行优化；3.在多个图结构数据集上，该模型的客户端模型表现优于现有方法，且具有快速的模型收敛和有效的新客户端泛化性能。

在个性化子图联邦学习领域，近期的相关研究包括：1. FedGraphNN，使用图神经网络实现联邦学习；2. FedGNN，使用聚合和选择性更新机制提高联邦学习的效率；3. FedMA，使用多任务学习实现联邦学习。