A Federated Parameter Aggregation Method for Node Classification Tasks with Different Graph Network Structures

在过去几年中，联邦学习因其协作训练多个数据源而不会危及隐私的能力，在各种经典机器学习领域得到了广泛应用。然而，在图神经网络领域，由客户端持有的图的节点和网络结构在许多实际应用中是不同的，直接共享模型梯度的聚合方法不能直接应用于这种情况。因此，本文提出了一种适用于各种图联邦情景的联邦聚合方法FLGNN，并研究了图神经网络模型每层参数共享的聚合效果。通过对真实数据集的实验验证了FLGNN联邦聚合方法的有效性。此外，为了保护FLGNN的隐私安全，本文设计了会员推断攻击实验和差分隐私防御实验。结果表明，FLGNN具有良好的鲁棒性，并且通过添加差分隐私防御方法，进一步降低了隐私窃取的成功率。

本论文旨在解决在图神经网络领域中，由于客户端拥有不同的节点和网络结构，直接共享模型梯度的聚合方法不能直接应用于此场景的问题。

本文提出了一种名为FLGNN的联邦聚合方法，应用于各种图联邦场景，并调查了图神经网络模型每层参数共享的聚合效果。同时，为了保护FLGNN的隐私安全，本文设计了成员推断攻击实验和差分隐私防御实验。

本文的实验使用了真实数据集，并验证了FLGNN的有效性和鲁棒性。此外，差分隐私防御方法进一步降低了隐私盗窃的成功率。

最近的相关研究包括：Federated Learning for Graph Neural Networks: A Meta-Algorithm with Improved Communication Efficiency和Federated Graph Neural Network for Privacy-Preserving Representation Learning。