SPEAR：免训练单轮联邦图学习框架

研究者 Shutong Zheng、Sijia Chen 提出 SPEAR（Statistical Prototype Estimation with Adaptive Reliability），一个完全免训练的联邦图学习框架：客户端直接在原始特征空间从本地图计算拓扑平滑的类原型，服务器用样本量自适应收缩估计器聚合，降低不可靠本地估计的权重。 据其论文，SPEAR 在七个基准的极端异构条件下持续达到 SOTA 精度，较所有基线至少提速一个数量级，较生成式与蒸馏方法提速数个数量级。这些结果出自论文报告，代码已开源。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。