本文提出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设备或集群特定的模型，同时维护每个个体设备的隐私。利用差分隐私的变量PGFL实现，可以在线性时间内收敛于每个集群的最优集群特定解。通过使用合成数据和MNIST数据集进行回归和分类的数值实验，检验了所提出的PGFL算法的性能。

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。

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设备或集群特定的模型，同时保护个体设备的隐私。研究了变量PGFL实现，利用差分隐私，特别是零集中差分隐私。数学分析表明，所提出的PGFL算法在线性时间内收敛于最优解。通过实验验证了PGFL算法的性能。