PACE: Propagation-Aware Collaborative Correction for One-Shot Personalized Federated Graph Learning
提出 PACE 方法，通过传播感知协同修正提升单轮个性化联邦图学习性能。该方法将协作知识视为对本地预测器的紧凑修正而非替代，客户端上传秩 -r 更新载体和对角线消息矩草图，服务器据此构建接收器锚定的修正项，接收器保留完整本地模型。利用凸负对数似然校准（CNLL）在验证节点上选择系数融合本地与外部 logits，参数固定且无需反馈。在六个数据集上，个性化返回占用 9.6-17.6% 稠密张量字节；在五个数据集上修正获得非零权重并提升准确率与加权 F1，仅在 ogbn-arxiv 上保留本地预测。