个性化联邦学习推进：群体隐私，公平与更多

本文介绍了个性化图形联邦学习（PGFL）框架，通过分布式连接的服务器和边缘设备协作学习特定模型，同时保护设备隐私。利用相似性，提供更相关的体验。研究了变量PGFL实现，利用差分隐私扰乱模型交换。数学分析表明，PGFL算法在线性时间内收敛于最优解。利用集群相似性会导致输出与原始解的距离受限，可通过调整超参数来调整。通过实验验证了PGFL算法的性能。