本申请提供一种基于联邦学习的图神经网络模型训练方法，包括：S1部署联邦学习平台，将各个训练节点接入所述联邦学习平台；S2所述训练节点根据预测目标分别更新训练数据，并将所述训练数据输入到图神经网络模型训练获得模型参数；S3通过联邦学习平台获得其他所述训练节点的模型参数进行参数聚合，并更新所述图神经网络模型；S4重复步骤S2和S3，到所述图神经网络模型收敛，获得预训练的图神经网络模型。本申请通过联邦学习平台训练图神经网络模型，可以涵盖更多训练数据，可有效的提高图神经网络模型准确度。本申请还提供一种基于联邦学习的图神经网络模型训练装置。的图神经网络模型训练装置。的图神经网络模型训练装置。
【技术实现步骤摘要】
基于联邦学习的图神经网络模型训练方法以及装置
[0001]本申请请求保护一种AI技术，尤其涉及一种基于联邦学习的图神经网络模型训练方法。本申请还涉及一种基于联邦学习的图神经网络模型训练装置。
技术介绍
[0002]联邦学习是一种基于多数据源共同对模型训练，并将训练的模型用于数据分析的方法，联邦学习可以有效的同时解决数据孤岛，以及数据泄露的问题。
[0003]图神经网络模型是一种基于数据潜在关系表示的数据分析模型，图神经网络模型可以应用于众多领域，比如计算机视觉、分子化学、分子生物、模式识别以及数据挖掘等。
[0004]目前还没有一种基于联邦学习的图神经网络训练方法。
技术实现思路
[0005]为了实现图神经网络的联邦学习，本申请提供一种基于联邦学习的图神经网络模型训练方法。本申请还涉及一种基于联邦学习的图神经网络模型训练装置。
[0006]本申请提供一种基于联邦学习的图神经网络模型训练方法，包括：S1部署联邦学习平台，将各个训练节点接入所述联邦学习平台；S2所述训练节点根据预测目标分别更新训练数据，并将所述训练数据输入到图神经网络模型训练获得模型参数；S3通过联邦学习平台获得其他所述训练节点的模型参数进行参数聚合，并更新所述图神经网络模型；S4重复步骤S2和S3，到所述图神经网络模型收敛，获得预训练的图神经网络模型。
[0007]可选的，所述预训练的图神经网络模型用于预测广告投放区和/或目标客户。
[0008]可选的，所述训练数据包括客户id、客户所在区域、客户常驻地、客户购买的产品/品牌、客户关注的产品/品牌、客户之间的关系。
[0009]可选的，所述训练数据包括：客户关系数据和空间关系数据。
[0010]可选的，所述预训练的图神经网络模型在输入数据后，输出的结果是对所述输入数据进行排序。
[0011]本申请还提供一种基于联邦学习的图神经网络模型训练装置，包括：部署模块，用于部署联邦学习平台，将各个训练节点接入所述联邦学习平台；训练模块，用于所述训练节点根据预测目标分别更新训练数据，并将所述训练数据输入到图神经网络模型训练获得模型参数；聚合模块，用于通过联邦学习平台获得其他所述训练节点的模型参数进行参数聚合，并更新所述图神经网络模型；其中，重复执行训练模块和聚合模块，到所述图神经网络模型收敛，获得预训练的图神经网络模型。
[0012]可选的，所述预训练的图神经网络模型用于预测广告投放区和/或目标客户。
[0013]可选的，所述训练数据包括客户id、客户所在区域、客户常驻地、客户购买的产品/品牌、客户关注的产品/品牌、客户之间的关系。
[0014]可选的，所述训练数据包括：客户关系数据和空间关系数据。
[0015]可选的，所述预训练的图神经网络模型在输入数据后，输出的结果是对所述输入数据进行排序。
[0016]本申请相较于现有技术的优点是：本申请提供一种基于联邦学习的图神经网络模型训练方法，包括：S1部署联邦学习平台，将各个训练节点接入所述联邦学习平台；S2所述训练节点根据预测目标分别更新训练数据，并将所述训练数据输入到图神经网络模型训练获得模型参数；S3通过联邦学习平台获得其他所述训练节点的模型参数进行参数聚合，并更新所述图神经网络模型；S4重复步骤S2和S3，到所述图神经网络模型收敛，获得预训练的图神经网络模型。本申请通过联邦学习平台训练图神经网络模型，可以涵盖更多训练数据，可有效的提高图神经网络模型准确度。
附图说明
[0017]图1是本申请中基于联邦学习的图神经网络模型训练流程图。
[0018]图2是本申请中图神经网络训练步骤示意图。
[0019]图3是本申请中基于联邦学习的图神经网络模型训练装置示意图。
具体实施方式
[0020]以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。
[0021]本申请提供一种基于联邦学习的图神经网络模型训练方法，包括：S1部署联邦学习平台，将各个训练节点接入所述联邦学习平台；S2所述训练节点根据预测目标分别更新训练数据，并将所述训练数据输入到图神经网络模型训练获得模型参数；S3通过联邦学习平台获得其他所述训练节点的模型参数进行参数聚合，并更新所述图神经网络模型；S4重复步骤S2和S3，到所述图神经网络模型收敛，获得预训练的图神经网络模型。本申请通过联邦学习平台训练图神经网络模型，可以涵盖更多训练数据，可有效的提高图神经网络模型准确度。
[0022]图1是本申请中基于联邦学习的图神经网络模型训练流程图。
[0023]请参照图1所示，S1部署联邦学习平台，将各个训练节点接入所述联邦学习平台。
[0024]所述学习平台连接多个节点，每个所述节点是一个数据源，每个数据源所拥有的数据不完全一致，或者不一致。
[0025]所述联邦学习平台依靠用户请求而启动，通过各个节点的协作对AI模型进行训练，获得预训练的AI模型进行数据分析。
[0026]在本申请中，需要进行数据分析的节点称为请求节点或者节点，之外的节点称为其他节点。
[0027]本申请首先部署一个联邦学习平台，将联邦学习平台的各个节点连接到所述联邦学习平台中。
[0028]其次各个节点准备数据，所述数据包括：客户id、客户所在区域、客户常驻地、客户购买的产品/品牌、客户关注的产品/品牌、客户之间的关系等。
[0029]请参照图1所示，S2所述训练节点根据预测目标分别更新训练数据，并将所述训练数据输入到图神经网络模型训练获得模型参数。
[0030]所述预测目标是各个数据之间的关系，可以是各个数据之间的关系，也可以说各个数据类别之间的关系。可以是客户关系数据和也可以是空间关系数据。
[0031]根据所述预测目标，更新训练数据，优选的将参与模型训练的数据保留，将不参与模型训练的数据删除，完成数据更新。
[0032]接下来将所述训练数据输入到模型中进行模型训练，获得模型训练完成后的模型参数。
[0033]具体的，所述训练是在节点中进行的，步骤如下：如图2所示，S201通过联邦学习平台将图神经网络模型发送到各个节点，包括请求节点和其他节点。
[0034]具体的，所述图神经网络模型存储在任何一个节点或者联邦学习平台中，在所述联邦学习平台分发所述图神经网络模型之前，所述图神经网络模型通过所述联邦学习平台与节点之间的连接关系发送到联邦学习平台。
[0035]S202所述请求节点和其他节点，分别对所述图神经网络模型进行训练，获得不同节点的经过训练数据训练后的模型参数。
[0036]请参照图1所示，S3通过联邦学习平台获得其他所述训练节点的模型参数进行参数聚合，并更新所述图神经网络模型。
[0037]具体的，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于联邦学习的图神经网络模型训练方法，其特征在于，包括：S1部署联邦学习平台，将各个训练节点接入所述联邦学习平台；S2所述训练节点根据预测目标分别更新训练数据，并将所述训练数据输入到图神经网络模型训练获得模型参数；S3通过联邦学习平台获得其他所述训练节点的模型参数进行参数聚合，并更新所述图神经网络模型；S4重复步骤S2和S3，到所述图神经网络模型收敛，获得预训练的图神经网络模型。2.根据权利要求1所述基于联邦学习的图神经网络模型训练方法，其特征在于，所述预训练的图神经网络模型用于预测广告投放区和/或目标客户。3.根据权利要求1所述基于联邦学习的图神经网络模型训练方法，其特征在于，所述训练数据包括客户id、客户所在区域、客户常驻地、客户购买的产品/品牌、客户关注的产品/品牌、客户之间的关系。4.根据权利要求1所述基于联邦学习的图神经网络模型训练方法，其特征在于，所述训练数据包括：客户关系数据和空间关系数据。5.根据权利要求1所述基于联邦学习的图神经网络模型训练方法，其特征在于，所述预训练的图神经网络模型在输入数据后，输出的结果是对所述输入数据进行排序。6.一种基于联邦学习的图神经...
【专利技术属性】
技术研发人员：田鹏飞，孙伟，
申请(专利权)人：亿景智联北京科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。