AdaFGL: 异构拓扑下的联邦节点分类的新范式
内容提要
该文综述联邦图学习（FGL）进展：GCFL以图聚类应对结构异质性；FedHGN用模式权重分离处理异构图；FedGL聚合自监督信息提升模型；FedStar共享结构信息实现跨图学习；GraphFL解决非IID与新标签问题；ASFGNN分离训练与超参数调优；GL实现部分模型个性化。
延伸解读
从方法演进看联邦图学习的问题针对性
文中列举的GCFL、FedHGN、FedGL、FedStar、GraphFL、ASFGNN、GL等框架，分别对应结构异质性、异构模式、自监督信息、跨图结构共享、非IID与新标签、超参数调优、部分个性化等具体问题。这说明联邦图学习并非单一通用方案，而是针对不同数据分布和任务约束发展出的方法集合，读者需根据自身场景的异质性来源选择对应思路。
隐私保护与模型性能的权衡线索
FedHGN强调在异构图上实现模式不可知知识共享的同时确保更好的隐私保护；FedGL利用图数据互补性在分布式场景下提升模型质量；GraphFL则利用未标记图数据并通过自训练获得更好性能。这些工作表明，联邦图学习在去中心化数据上追求性能时，需同时考虑隐私机制与数据利用方式，但文中未给出统一的隐私-性能量化结论。
个性化与全局聚合的边界
GL作为部分模型个性化方法，支持客户端专属特征和类别，并在表格数据联邦学习中优于Federated Averaging和本地训练，部分客户端甚至超过集中式基线。这与FedStar共享公共结构信息、GCFL聚类相似客户端形成对比：前者保留客户端差异，后者寻求分组或共享。读者可据此判断，当客户端分布变化明显时，完全共享或完全本地训练可能都不是最优。
Q&A
GCFL 是如何处理联邦图学习中的结构异质性的？
GCFL 通过动态发现基于 GNN 梯度的本地系统集群，降低本地系统拥有的图的结构和特征异质性。它使用动态时间规整设计梯度序列聚类机制（GCFL+），有效应用于各种现实世界的图形分类任务。
FedHGN 在异构图联邦学习中有哪些创新？
FedHGN 采用模式权重分离来启用模式不可知知识共享，并采用系数对齐来稳定训练过程和提高 HGNN 性能，确保更好的隐私保护。在三个异构图数据集上，FedHGN 的表现优于本地训练和传统的 FL 方法。
FedStar 如何解决跨图联邦学习中的特征不匹配问题？
FedStar 提取和共享公共底层结构信息，从而捕获更多基于结构的领域不变信息，避免特征不匹配问题。
GraphFL 主要解决联邦图学习中的哪些问题？
GraphFL 是第一个用于解决非 IID 问题、处理新标签域任务以及利用未标记图形数据的 FL 框架。它使用代表性的图神经网络作为 GraphSSC 方法，并在多个图形数据集上评估，结果表明 GraphFL 显著优于比较的 FL 基线，通过自我训练可以获得更好的性能。
ASFGNN 如何解决联邦图神经网络中的 Non-IID 和超参数调整问题？
ASFGNN 是一个自动化的分离式联邦图神经网络学习范式，包括 GNN 的训练和超参数调整两个主要组成部分。它通过分离-联邦 GNN 学习模型和贝叶斯优化技术解决了数据的 Non-IID 问题和超参数调整的耗时问题，实验结果表明 ASFGNN 显著优于普通联邦 GNN。
全局层（GL）在联邦图学习中有什么作用？
全局层（GL）是一种新颖的部分模型个性化方法，能够在客户端之间出现 G（X，Y）分布变化时保持鲁棒性，并且支持客户端专属的特征和类别。与 Federated Averaging 和本地训练相比，针对表格数据中的联邦学习，GL 在两个新的基准实验中的效果优于它们，并且甚至有些客户端的表现比其集中式基线更好。
