FedGraph：GCN与联邦学习的结合

《FedGraph: Federated Graph Learning with Intelligent Sampling》论文阅读笔记

1. 背景：
   FL能够在分布式设备中协同机器学习，同时保护数据隐私，因此受到了研究关注。然而，现有的FL主要关注卷积神经网络，在学习图像和声音数据上具有较高的准确性，但很多应用都是生成图结构数据，CNN并不能有效处理图结构数据。GCN是图学习中一种很有研究前景的图学习技术之一，与CNN操作不同的是，它能过滤一小部分邻居像素点，图卷积操作过滤邻居节点的特征，但是现有的联邦学习主要集中在CNN上，对于GCN的探索还不足。

2. 存在问题：
   GCN上的联邦学习并不是CNN上的简单扩展。原因：
   （1）GCN训练需要在不同客户端共享节点特征，会泄露隐私。为了利用图结构信息，图卷积操作用来聚合邻居节点的特征。如果邻居节点保留在别的客户端，拒绝暴露他们的特征，这种聚合操作将会失败。一种方法是不共享特征，但这会减少训练的准确度。
   （2）大型图会导致GCN的训练开销大。

3. 本文：
   为联邦图学习提出了FedGraph，融合联邦学习和GCN的思想，实现隐私保护的分布式图学习。FedGraph能够在分布式的图上学习，处理以上问题，最终收敛得到一个很高的训练准确度。
   问题1：可以使用密码学技术解决，但是计算开销太大。FedGraph设计了跨客户端的图卷积操作，不需要直接共享节点特征，将他们在共享之前嵌入成