边缘辅助联邦图网络

精度近集中式

通过边缘服务器跨客户端特征对齐与动态加权聚合，解决子图划分导致的信息缺失，在保护隐私的同时逼近集中式训练精度。

Haitao, Wang · Aojie, Luo · Xu, Wenchao · 王号召 · Yichen, Li · Yining, Qi · Zhang, Rui · 李瑞轩

Information Fusion 2026

参数信息

分类准确率提升

8 %

技术优势

精度接近集中式

通过边缘服务器对齐跨客户端特征并进行动态加权聚合，弥补子图划分造成的信息缺失，使联邦模型逼近集中式训练的精度。

最高提升8%

与最新基线相比，边缘服务器辅助的特征交换将分类准确率提升最高8个百分点，突破子图划分的限制。

自适应差分隐私保护

针对近似节点特征动态分配隐私预算，在不显著牺牲精度的前提下保护节点隐私，原图数据不出客户端。

应用场景

• 分布式图学习：在机构各自持有图数据的场景下，无需共享原始节点即可协作训练，解决子图信息缺失问题。
• 隐私保护联邦学习：借助边缘服务器和差分隐私保护节点特征隐私，避免直接交换原始数据带来的泄露风险。
• 边缘智能计算：利用边缘服务器进行特征聚合与对齐，降低与远程中心的通信延迟并提升模型质量。
• 跨机构协作建模：为多个机构在不直接交换底层图的条件下共同建模，提供接近集中式的精度。