HiFGL: A Hierarchical Framework for Cross-silo Cross-device Federated Graph Learning

联邦图学习（Federated Graph Learning，FGL）已成为一种有前途的方法，可以在保护隐私的同时从分布式图数据中学习高质量的表示。虽然在跨设备或跨分区范式下已经做出了相当大的努力，但如何在更复杂的跨分区跨设备环境中有效地捕捉图知识仍然是一个未被充分探讨的问题。然而，这项任务具有挑战性，因为分散的客户端具有固有的层次结构和异质性，不同客户端具有多样化的隐私约束，并且需要跨客户端的图完整性。为此，本文提出了一种用于跨分区跨设备 FGL 的分层联邦图学习（Hierarchical Federated Graph Learning，HiFGL）框架。具体而言，我们设计了一个统一的分层架构，以在异构客户端上保护联合 GNN 训练，同时确保图完整性。此外，我们提出了一种秘密消息传递（Secret Message Passing，SecMP）方案，以同时保护对子图级别和节点级别敏感信息的未授权访问。理论分析证明了 HiFGL 实现了多层隐私保护，并具有复杂度保证。对真实世界数据集的广泛实验验证了所提出框架相对于几个基线的优越性。此外，HiFGL 的多功能性使其适用于仅跨分区或跨设备设置，进一步扩展了其在真实世界 FGL 应用中的实用性。

本文旨在解决分布式图数据隐私保护下的Hierarchical Federated Graph Learning问题，即如何在跨设备和跨场所的复杂环境中有效捕获图知识。

本文提出了一种名为HiFGL的Hierarchical Federated Graph Learning框架，采用统一的分层架构来保护异构客户端上的联合GNN训练，同时确保图完整性。同时，提出了一种名为SecMP的秘密消息传递方案，可以同时保护子图级和节点级敏感信息的未经授权访问。

本文的亮点包括：采用了统一的分层架构来保护异构客户端上的联合GNN训练，同时确保图完整性；提出了一种名为SecMP的秘密消息传递方案，可以同时保护子图级和节点级敏感信息的未经授权访问；在真实世界数据集上进行了广泛的实验，证明了所提出的框架相对于几个基线的优越性。HiFGL的多功能性质使其适用于仅跨场所或跨设备设置，进一步扩大了其在实际FGL应用中的实用性。

在这个领域中，最近的相关研究包括：《Federated Graph Learning: Challenges, Techniques, and Future Directions》、《Privacy-Preserving Federated Graph Neural Network Learning with Differential Privacy》、《Federated Graph Neural Networks for Distributed Social Recommendation》等。