FairGFL：基于重叠子图的公平性感知联邦学习

本文解决了由客户端间不平衡的重叠子图引起的图联邦学习（GFL）中的公平性问题。 这很重要，因为它识别了 GFL（一种隐私保护技术）中潜在的偏差来源，并提出了一个解决方案（FairGFL）来缓解它。 在隐私保护的背景下关注公平性是一项有价值的贡献，尤其是在联邦学习变得越来越普遍的情况下。

• •识别并解决了图联邦学习中由不平衡重叠子图引起的公平性问题。
• •提出了 FairGFL，这是一种新颖的算法，可在隐私保护的方式下提高跨客户端的公平性，同时保持模型效用。
• •采用加权聚合方法和精心设计的正则化器来提高公平性和模型效用。
• •在基准图数据集上，FairGFL 的性能优于基线算法。