GraphFedMIG: Klassengleichgewicht im föderierten Graphen mit Mutual-Information

Federated Graph Learning (FGL) erlaubt es mehreren Clients, gemeinsam leistungsstarke Graph Neural Networks zu trainieren, ohne ihre privaten Graphdaten preiszugeben. Doch die statistische Heterogenität – insbesondere das stark ausgeprägte Klassenungleichgewicht – kann die Leistung des globalen Modells erheblich beeinträchtigen. Minderheitsklassen werden dabei oft von stark verzerrten Nachbarschaftsinformationen umgeben, was die Lernfähigkeit der Embeddings schwächt.

Um diesem Problem zu begegnen, präsentiert GraphFedMIG einen innovativen Ansatz, der das Ungleichgewicht als föderierte Generierungsaufgabe behandelt. Jeder Client trainiert einen lokalen Generator, der hochqualitative Feature‑Repräsentationen erzeugt. Durch die Bildung von Client‑Clustern teilen sich die Teilnehmer jeweils einen dedizierten Diskriminator, wodurch die Generierung gezielt auf die jeweiligen Datenstrukturen abgestimmt wird.

Der Kern des Systems ist ein Mutual‑Information‑Guided‑Mechanismus, der die Informationsgehalte der generierten Features bewertet. Auf Basis dieser Bewertung werden die Parameter der lokalen Generatoren angepasst, sodass nachfolgende Trainingszyklen verstärkt Features aus Minderheitsklassen erzeugen. Dieser gezielte Ansatz sorgt dafür, dass die generierten Daten die Informationslücken schließen und das globale Modell weniger stark von Mehrheitsklassen dominiert wird.

Um die Wirksamkeit von GraphFedMIG zu demonstrieren, wurden umfangreiche Experimente an vier realen Graphdatensätzen durchgeführt. Die Ergebnisse zeigen, dass die Methode das Klassengleichgewicht signifikant verbessert und die Gesamtleistung des föderierten Modells gegenüber bestehenden Ansätzen deutlich steigert.