FedSheafHN: Revolutionäres Federated Learning für personalisierte Graphen

Graph‑strukturierte Daten sind in vielen modernen Anwendungen allgegenwärtig. Beim subgraph‑basierten Federated Learning (FL) werden diese Daten auf mehrere Clients verteilt, wobei jeder Client nur einen Teilgraphen besitzt. Ziel des personalisierten subgraph‑FL ist es, für jeden Client ein eigenes Modell zu trainieren, das die unterschiedlichen Datenverteilungen berücksichtigt. Doch die starke Heterogenität der lokalen Teilgraphen führt häufig zu erheblichen Leistungsunterschieden zwischen den Clients.

Um dieses Problem anzugehen, wurde FedSheafHN entwickelt – ein neuartiges Framework, das auf einem Sheaf‑Collaborations‑Mechanismus basiert. Dabei werden die lokalen Teilgraphen jedes Clients zunächst in einen vom Server konstruierten Kollaborationsgraphen eingebettet. Durch die Nutzung von graph‑level‑Embeddings und die Anwendung von Sheaf‑Diffusion innerhalb dieses Kollaborationsgraphen werden die Repräsentationen der Clients deutlich angereichert.

FedSheafHN nutzt anschließend ein server‑optimiertes Hypernetwork, um für jeden Client ein maßgeschneidertes Modell zu generieren. Dieser Ansatz kombiniert die Vorteile einer zentralen Koordination mit der Flexibilität personalisierter Modelle und ermöglicht eine effiziente Modellgenerierung.

Experimentelle Untersuchungen zeigen, dass FedSheafHN bestehende Methoden im personalisierten subgraph‑FL deutlich übertrifft. Das Framework erreicht nicht nur schnellere Konvergenz, sondern generalisiert auch zuverlässig auf neue Clients, die zuvor nicht im Training vertreten waren. Damit stellt FedSheafHN einen bedeutenden Fortschritt für die Verarbeitung heterogener Graphdaten im federated‑Learning‑Umfeld dar.