FedTAD: 面向子图联邦学习的拓扑感知无数据知识蒸馏

原文约300字，阅读约需1分钟。发表于：。

拓扑感知无数据知识蒸馏技术 (FedTAD) 可以解决子图异质性所带来的性能下降问题，通过优化局部 GNN 模型向全局模型的可靠知识转移，提高分布式图神经网络训练效果。

本文介绍了一种有效的联邦图异常检测框架（FGAD），通过引入异常生成器来训练强大的异常检测器。通过学生模型提取知识，保持本地模型的个性并减轻非独立同分布问题的影响。设计了协作学习机制，降低通信成本。实证结果表明FGAD方法在非独立同分布图上的图异常检测任务中具有优越性和效率。