FL的关键是学习共通性，真实世界中的图数据能否提供彼此之间有用的公共信息？如表1，作者对四个不同领域的数据集进行分析，发现相比Erdos–Rényi模型生成的具有相同节点、边数的随机图而言，四个图数据集具有部分相似的统计特征。尽管如此，上述数据也体现出某些异构性(3.1节设置了对应度量指标)，作者将这种具有显著异构性的图数据称为non-IID数据，包括图结构与特征上的异构，这使得传统的FedAVG联邦优化算法往往适得其反。因此，如何设计适用于non-IID图数据的联邦学习框架至关重要。

 

今天给大家介绍Emory大学阳及教授团队被NeurIPS'21会议接收的一篇论文：Federated Graph Classification over Non-IID Graphs。该论文针对联邦学习应用于non-IID图数据结构的新场景，提出了一种基于图聚类的联邦学习框架Graph Clustered Federated Learning (GCFL)。

论文链接：https://arxiv.org/abs/2106.13423