Federated GNNs: Geometrische Kohärenz bei globaler Aggregation neu definiert

Federated Learning (FL) ermöglicht das Training von Modellen über mehrere Clients hinweg, ohne dass Daten zentralisiert werden. Graph Neural Networks (GNNs) nutzen dabei Message‑Passing, um Beziehungen in graphbasierten Daten zu modellieren. In federated GNN‑Umgebungen weisen die Graphen der einzelnen Clients jedoch häufig unterschiedliche Strukturen und Propagationsverhalten auf.

Wenn die üblichen Aggregationsmechanismen auf solche heterogenen Updates angewendet werden, kann das globale Modell zwar numerisch konvergieren, dabei aber die relationalen Eigenschaften verlieren. Das liegt daran, dass GNN‑Parameter zwar Vektoren sind, aber gleichzeitig Transformationen darstellen, die Richtung, Stärke und Empfindlichkeit des Informationsflusses in Graphnachbarschaften steuern. Das Zusammenführen von Updates aus inkompatiblen Propagationsregimen führt zu destruktiver Interferenz im Transformationsraum und damit zu einer Kohärenz­verlust bei der globalen Nachrichtenübermittlung – ein Problem, das sich nicht immer in herkömmlichen Metriken wie Verlust oder Genauigkeit widerspiegelt.

Um diesem Problem zu begegnen, wurde GGRS (Global Geometric Reference Structure) entwickelt. Dieses serverseitige Framework reguliert die Client‑Updates vor der Aggregation anhand geometrischer Zulässigkeitskriterien. GGRS bewahrt die Richtungs­konsistenz der relationalen Transformationen, erhält gleichzeitig die Vielfalt zulässiger Propagations­Unterräume und stabilisiert die Empfindlichkeit gegenüber Nachbarschaftsinteraktionen – und das alles ohne Zugriff auf Client‑Daten oder Graphtopologien.

Experimentelle Ergebnisse zeigen, dass GGRS die Kohärenz der globalen Nachrichtenübermittlung deutlich verbessert und gleichzeitig die Leistung des Modells stabil hält. Damit eröffnet die Methode neue Perspektiven für die Entwicklung robuster, federated GNN‑Systeme in heterogenen, verteilten Umgebungen.