OpenFGL: A Comprehensive Benchmarks for Federated Graph Learning

Federated graph learning（FGL）已经成为分布式图神经网络训练中一种有前途的方法，可以在没有直接数据共享的情况下跨多个本地系统进行。这种方法在隐私敏感的情况下特别有益，并为解决大规模图学习中的可扩展性挑战提供了新的视角。尽管FGL已经广泛应用，但来自实际应用的不同动机，涵盖各种研究背景和实验设置，对公平评估构成了重大挑战。为了填补这一空白，我们提出了OpenFGL，一个专为主要FGL场景设计的统一基准，包括Graph-FL和Subgraph-FL。具体来说，OpenFGL包括来自16个应用领域的38个图数据集，8个强调图属性的联邦数据模拟策略以及5个基于图的下游任务。此外，它通过用户友好的API提供了18种最近提出的SOTA FGL算法，使得可以全面比较和综合评估它们的有效性、鲁棒性和效率。实证结果展示了FGL的能力，同时揭示了它的潜在局限性，为未来在这个蓬勃发展的领域中进行探索提供了有价值的见解。

本论文旨在解决联邦图学习（Federated Graph Learning，FGL）中评估的挑战，提出了一个统一的基准测试平台OpenFGL，以进行FGL算法的比较和评估。

OpenFGL是一个统一的基准测试平台，包括38个图数据集、8个联邦数据模拟策略和5个下游任务，提供18个最近提出的FGL算法，旨在比较和评估它们的有效性、鲁棒性和效率。

本论文提出了一个统一的基准测试平台OpenFGL，可以用于比较和评估不同FGL算法的效果；实验设计合理，使用了多个领域的真实数据集，并且提供了开源代码；通过实验结果揭示了FGL算法的优势和局限性，并为未来的研究提供了有价值的见解。

最近的相关研究包括《Federated Learning on Non-IID Graph Data》、《Federated Graph Neural Network for Privacy-Preserving Inference》等。