FedOGL

FedOGL框架对抗联邦图学习中的灾难性遗忘

研究人员开发了FedOGL，一个旨在对抗联邦开放世界多模态图学习中灾难性遗忘的新框架。该方法旨在使客户端能够从私有图数据中学习新类别，同时保留历史知识并拒绝未知样本。FedOGL在客户端使用重放和任务起始蒸馏来保留过去的决策行为，并利用投影到共享结构基础上来保护图传播记忆。在服务器端，它维护紧凑的类别原型，用于跨客户端知识共享，而不暴露原始数据。实验表明，与现有方法相比，FedOGL将灾难性遗忘造成的性能下降降低了42.67%。