A Distributed Difference-Aware Alignment Framework for Robust Federated Graph Learning

Xiong Wang

doi:10.1109/tnse.2026.3718246

A Distributed Difference-Aware Alignment Framework for Robust Federated Graph Learning

2026-07-29

0

PRE

AI

DOI：10.1109/tnse.2026.3718246

原文链接

原文求助

摘要

En 中文

联邦图学习（FGL）已成为跨分布式图数据协同训练的关键范式。然而，在非独立同分布（non-IID）场景下，异构数据分区及图增强引入的表征失真会导致节点级语义漂移，从而限制全局模型的泛化能力。现有方法主要依赖图增强或聚合策略，但通常假设增强操作能保留语义信息，忽略了原始图与增强图之间的语义漂移，导致本地模型不稳定。为解决此问题，我们提出联邦差异感知语义对齐学习（FedDSL）框架，联合处理增强诱导和分布诱导的语义漂移。具体而言，我们设计了一个差异感知正则化模块，用于量化原始图与增强图之间的属性和结构差异，以在适度额外计算下稳定本地嵌入。此外，提出了节点级语义对齐模块，用于将本地嵌入与全局表示对齐，提升跨客户端一致性而无需引入额外的通信轮次。在涵盖同配性和异配性图在内的六个基准数据集上的大量实验表明，FedDSL在非-IID条件下始终优于当前最佳基线方法。

Keyword:

Federated graph learning

semantic drift mitigation

distributed representation alignment

non-IID data

cross-client consistency

robust distributed training

A Distributed Difference-Aware Alignment Framework for Robust Federated Graph Learning

摘要

期刊

机构

引用论文