BoostFGL: Fairness im föderierten Graph-Lernen verbessert

Federiertes Graph-Lernen (FGL) erlaubt es, Graph Neural Networks (GNNs) über verteilte Teilgraphen hinweg zu trainieren, ohne rohe Daten preiszugeben. Obwohl viele FGL-Methoden beeindruckende Gesamtergebnisse liefern, zeigen neue Untersuchungen, dass diese durchschnittlichen Leistungen oft stark benachteiligte Knotengruppen verschleiern.

Die Ursachen für diese Ungleichheiten lassen sich in drei zusammenhängende Faktoren zurückführen: ein Label‑Skew, der die Mehrheit überrepräsentiert, topologische Verwirrung, die bei der Nachrichtenweitergabe entsteht, und eine Aggregationsverdünnung, die Updates von schwierigen Clients abschwächt.

Um diesen Problemen entgegenzuwirken, wurde BoostFGL entwickelt – ein Boosting‑basiertes Framework, das Fairness in FGL gezielt adressiert. Es kombiniert drei koordinierte Mechanismen: (1) Client‑seitiges Knoteboosting, das lokale Trainingssignale neu gewichtet, um unterrepräsentierte Knoten stärker zu berücksichtigen; (2) Client‑seitiges Topologie‑Boosting, das die Propagation auf verlässliche, aber bislang wenig genutzte Strukturen verlagert und irreführende Nachbarschaften abschwächt; (3) Server‑seitiges Modell‑Boosting, das Updates anhand ihrer Schwierigkeit und Zuverlässigkeit aggregiert, um wertvolle Beiträge von anspruchsvollen Clients zu erhalten und gleichzeitig das globale Modell zu stabilisieren.

Umfangreiche Experimente auf neun verschiedenen Datensätzen zeigen, dass BoostFGL signifikante Fairness‑Verbesserungen erzielt – die Overall‑F1‑Metrik steigt um 8,43 %. Gleichzeitig bleibt die Gesamtleistung konkurrenzfähig gegenüber etablierten FGL‑Baselines.