[IEEE TPDS 2026, IF 6] 祝贺周子昊等同学论文被计算机分布式并行计算领域顶刊IEEE TPDS录用!
点击次数：
发布时间：2026-03-26
发布时间：2026-03-26
文章标题：[IEEE TPDS 2026, IF 6] 祝贺周子昊等同学论文被计算机分布式并行计算领域顶刊IEEE TPDS录用!
内容：
FairGFL: Privacy-Preserving Fairness-Aware Federated Learning With Overlapping Subgraphs (作者：Zihao Zhou, Shusen Yang, Fangyuan Zhao, and Xuebin Ren)。该工作提出了一个隐私保护且公平性感知图联邦学习算法，FairGFL，旨在解决因客户端间子图重叠不平衡导致的公平性问题，同时保持模型效用。具体地，我们设计了三个新方案：1) 基于新颖的本地差分隐私（LDP）协议的重叠率估计器，用于在保护原始数据隐私的前提下，精准估计客户端间的子图重叠比例；2) 基于重叠比例的公平性感知加权聚合策略，通过赋予高重叠率客户端较低的聚合权重，以缓解因数据重叠不平衡带来的性能差异，其收敛性得到了严格证明；3) 复合损失优化机制，通过引入精心设计的正则化项来平衡公平性与模型效用，防止优势客户端性能大幅下降。大量基于真实图数据的实验表明，与现有方法相比，FairGFL能够在仅增加少量通信开销（最多8%）的情况下，显著提升跨客户端的公平性（方差降低、熵增加）并保持甚至提高整体模型效用。
图1：FairGFL算法流程图