FedOGL: 연합 환경의 개방형 세계 다중 모드 그래프 학습에서 발생하는 재앙적 망각 문제 해결

FedOGL: Combating Catastrophic Forgetting in Federated Open-World Multimodal Graph Learning

연합 그래프 학습은 원시 그래프 정보를 공유하지 않고 분산된 그래프 데이터를 활용한 협업 훈련을 가능하게 합니다. 이러한 환경에서, 클라이언트들은 개인적인 다중 모드 그래프 데이터 스트림으로부터 새로운 클래스를 학습하고, 기존의 범주를 유지하며, 알려진 클래스 공간 밖에 있는 샘플들을 거부해야 합니다. 본 연구에서는 클라이언트들이 개인적인 다중 모드 그래프 데이터 스트림으로부터 새로운 클래스를 학습하면서 동시에 기존 범주를 유지하고 현재 알려진 클래스 공간 밖의 샘플을 거부하는 방법을 제시합니다. 핵심적인 과제는 재앙적 망각(catastrophic forgetting)이며, 연합 환경의 다중 모드 그래프에서는 이것이 단순한 분류기 수준의 실패가 아닙니다. 기존 지식은 모달리티-시맨틱 오버라이팅, 토폴로지 기반 구조적 손상, 그리고 연합 메모리 분열을 통해 소실될 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 의미-구조적 기억 보존 프레임워크인 extbf{FedOGL}을 제안합니다. 클라이언트 측에서 FedOGL은 리플레이(replay)와 태스크 시작 증류(task-start distillation)를 통해 과거의 의사 결정 행동을 유지하고, 그래프 전파 메모리를 전역적으로 공유되는 구조 기반으로 투영하여 보호합니다. 서버 측에서는 FedOGL이 간결한 범주 프로토타입을 유지하고 클라이언트 간 지식 공유를 촉진하며 원시 그래프 데이터를 노출하지 않습니다. 광범위한 실험 결과는 FedOGL이 최고의 성능을 보이는 기존 방법과 비교했을 때, 재앙적 망각으로 인한 성능 저하를 extbf{42.67%}만큼 감소시키면서, downstream 작업에서의 성능을 유지하거나 향상시킨다는 것을 보여줍니다.

Federated graph learning enables collaborative training over decentralized graph data without sharing raw graph information. As such risks evolve, clients must learn emerging classes from private multimodal graph streams, retain historical categories, and reject samples outside the known class space. In this setting, clients must learn emerging classes from private multimodal graph streams while preserving historical categories and rejecting samples outside the current known class space. The core challenge is catastrophic forgetting, which in federated multimodal graphs is not merely a classifier-level failure: old knowledge can be erased through modality-semantic overwriting, topology-induced structural erosion, and federated memory fragmentation. To address this challenge, we propose \textbf{FedOGL}, a semantic-structural memory preservation framework. On the client side, FedOGL preserves historical decision behavior through replay and task-start distillation, while protecting graph-propagation memory via projection onto a globally shared structure basis. On the server side, FedOGL maintains and transfers compact category prototypes to facilitate cross-client knowledge sharing without exposing raw graph data. Extensive experiments demonstrate that, compared with the best-performing baselines, FedOGL reduces performance degradation caused by catastrophic forgetting by \textbf{42.67\%}, while maintaining or improving performance on downstream tasks.