パーソナライズされた半教師あり学習によるフェデレーテッドグラフ学習におけるラベル効率の刺激

フェデレーテッドグラフ学習（FGL）は、分散した方法でグラフニューラルネットワーク（GNN）を共同で訓練することを可能にします。FGLにおける重要な課題はラベルの不足であり、これは非IIDの分散データによりさらに複雑になります。既存の方法は、豊富なラベルなしデータから知識を抽出することに焦点を当てており、少数のラベル付きデータは未探索のままです。この目的のために、私たちはConFGLを提案します。これは、非IIDサブグラフを持つフェデレーテッド学習においてラベル効率を強化する新しいFGLフレームワークです。ラベル付きデータとラベルなしデータの両方を活用する半教師あり目的を定式化し、グラフコントラストモジュールを通じて自己教師あり学習を達成します。さらに、グローバルモデルと個別モデルを同時に訓練するためのパーソナライズされたフェデレーテッド学習（FL）戦略を採用し、ローカルモデルによってエンコードされた表現の差異を緩和するのに役立ちます。非IID設定下の4つのノードレベルのデータセットに関する広範な実験から、ConFGLは教師ありFLパーソナライズ手法に対して一貫して平均4.10％の精度向上を提供できることが示され、高いGPUスループットを維持しています。