本期论文为2022 KDD应用方向最佳论文：
FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Package for Federated Graph Learning
可见于 https://readpaper.com/paper/4612878150690414593
论文一作王桢博士已经回答好了论文十问，也欢迎大家前往提问区提问。 联邦图学习算法相较一般联邦学习算法更为复杂，往往涉及联邦参与者之间交换异质信息并且以更丰富的行为处理这些信息。
为了提供统一的视角表达联邦图学习算法，且给予开发者灵活性和对算法流程的模块化，王桢博士所在团队采纳了事件驱动的编程范式。基于此，联邦图学习算法这样一个典型的分布式的流程，可以被拆解为若干（event, handler）对，无需开发者通过声明一个完整的计算图来表达算法，从而降低了开发难度。同时开发者可以专注于实现联邦参与方的本地行为，而无需关心如何协调多个参与方。
另一个大的挑战就是当前缺乏特别全面的关于联邦图算法的实现等，这篇论文建立了非常全面的benchmark，能很大程度上鼓励公平的比较和可复现的研究工作。
KDD组委会评价该论文“推动了联邦图学习的发展”。
