旨在实现稳健且可推广的去中心化时空数据建模的联邦图神经网络

联邦学习与图学习结合，用于建模时空数据，同时保持数据的机密性和安全性。然而，仍然存在一些问题：1）在实际使用中，一些客户端可能由于网络信号差、恶意攻击等原因无法参与模型推断。2）在通信过程中，上传的信息容易受到噪声的干扰。图模型的性能严重受低稳健性的影响。此外，训练和测试域之间假设的相同分布在实际场景中并不成立，导致过拟合和训练模型的泛化能力差。3）客户端之间存在的关系可能会随时间动态变化，手动构建客户端的图结构可能无法准确表示客户端之间的关系。在本文中，我们通过提出一种名为DCSFG的稳健层级分裂联邦图模型来解决上述所有限制。具体而言，DCSFG结合了分裂联邦学习和时空图模型，以更好地捕捉时空依赖关系。我们提出了一种Dropclient方法，并引入了不确定性估计，以增强模型的稳健性和泛化能力。我们还为客户端设计了一种双子解码器结构，使其能够在无法参与推断过程时本地独立地进行预测。提出了一种新颖的层级图消息传递结构，使每个客户端能够感知全局和局部信息。大量实验结果证明了DCSFG的有效性。