グラフ構造データを使用した連合学習（Federated Learning、FL）は、通常、各クライアントがグローバルグラフからサンプリングされた異なるサブグラフを持つ非IID（non-IID）問題を経験します。本論文では、FedAux (Federated learning with Auxiliary projections) を紹介します。これは、生データやノード埋め込みを共有することなく、不均一に分散したローカルモデルをソート、比較、および集約するパーソナライズされたサブグラフFLフレームワークです。 FedAuxでは、各クライアントは（i）ローカルGNNと（ii）ノード埋め込みを1D空間に差別的に投影する学習可能な補助投影ベクトル（APV）を一緒に学習します。ソフトソート操作と軽い1D畳み込みにより、ソートされたスペースでこれらの埋め込みが改善され、APVがクライアント固有の情報を効果的にキャプチャできます。ローカル学習の後、これらのAPVは、サーバーがクライアント間の類似性を計算し、類似性重み付けパラメータの混合を実行するために使用するコンパクトなシグネチャとして機能し、クライアント間の知識伝達を維持しながらパーソナライズされたモデルを生成します。さらに、設計の収束性と合理性を確立するための厳密な理論的分析を提供します。さまざまなグラフベンチマークの実験的評価は、FedAuxが精度とパーソナライゼーションパフォーマンスの両方で既存のベースラインを大幅に上回っていることを示しています。
