论文笔记-FedGraphNN: A Federated Learning Benchmark System for Graph Neural Networks

1.简述

GNN已经在业界有了很广泛的应用且很多领域已有SOTA的效果，但是在隐私安全日渐趋严的背景下，如何通过FL实现gnn的跨域联邦学习是一个有益的结合，本文通过联邦环境下对于Graph数据的如何在不同domain集群下进行训练，包括邻居采样、聚合和梯度回传等提出了一套完整的方案，并开源相关实现框架

2.两阶段的联邦GNN训练方式

​

阶段一：消息传递，下图k表示编号为k的客户端

阶段二：readout，下图中S可以表示节点或者图，根据任务类型而定

标题3.框架功能和架构

内核功能：框架在标准的分布式引擎功能基础上，通过分布式通信组件实现了多client联合训练的交互需要
ML-API：支持联邦环境下的Avg、Opt、Nas、GKT等，并以此为基础封装实现了GraphSage、GCN、GAT等常见图模型
应用层：支持以GNN为建模基础的推荐系统、社交网络等应用场景

标题4.总结

该文中仅仅体现GNN和FL的结合应用，但是只是简单的线性叠加，并为说明清楚GNN建模逻辑在FL环境下的增益价值，以及GNN在FL环境下存在的多个client时的对于sub-graph构建时图之间edge连接的处理细节，以及在核心采样和聚合操作上如何跨域实现等相关建模核心问题；对于联邦框架而言，其对比general的FL框架该框架的核心优势之处；工作更多体现在传统框架上的GNN相关api的封装应用