一种基于图数据的个性化联邦学习方法及装置制造方法及图纸

本发明专利技术公开了一种基于图数据的个性化联邦学习方法及装置，方法包括：各客户端将初始自我图输入到本地模型的特征缩减层得到嵌入自我图，将嵌入自我图输入到本地个性化层并更新本地特征缩减参数和本地个性化参数；各客户端根据嵌入自我图得到平均自我图并将其与本地特征缩减参数上传至服务端；服务端根据所有本地特征缩减参数得到新一轮的全局特征缩减参数并下发，将平均自我图输入到全局个性化模型并更新全局个性化参数；各客户端根据新一轮的全局特征缩减参数更新本地特征缩减参数，根据本地、全局个性化参数和个性化融合系数得到新的本地个性化参数。本发明专利技术能对客户端本地图数据中特征与结构信息进行解耦和隐私保护，提升了客户端的个性化能力。升了客户端的个性化能力。升了客户端的个性化能力。

【技术实现步骤摘要】
一种基于图数据的个性化联邦学习方法及装置


[0001]本专利技术涉及机器学习
，尤其是涉及一种基于图数据的个性化联邦学习方法及装置。

技术介绍

[0002]图数据作为包含结构和特征信息的特殊信息载体，被广泛应用于图挖掘和机器学习中。然而，在实际应用场景中，图数据往往被存储在多个分布式方或设备中，由于利益冲突，这些图数据可能不会被直接共享，存在数据孤岛问题。
[0003]联邦学习是将机器学习技术的实现与直接数据共享的需求解耦的一项分布式机器学习技术，使得参与方在不需要上传本地数据的情况下，就可以协同构建更精确的模型，在保护隐私的模型协同训练中体现了巨大潜力。因此，联邦学习能够保护协同参与者的训练样本数据隐私，解决数据孤岛问题。
[0004]但现有联邦学习模型通常传输的是可被复原的数据信息，存在严重的隐私泄露隐患。此外，现有联邦学习模型并没有将联邦学习框架与图数据进行有机结合，不能对图数据中的特征信息与结构信息进行解耦及相应保护。

技术实现思路

[0005]本专利技术的目的是提供一种基于图数据的个性化联邦学习方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图数据的个性化联邦学习方法，其特征在于，包括以下步骤：各客户端将初始自我图输入到本地模型的特征缩减层得到特征缩减后的嵌入自我图，将所述嵌入自我图输入到本地模型的本地个性化层得到本地高层图特征并进行本地节点分类，利用本地损失函数更新本地特征缩减参数和本地个性化参数；其中，所述初始自我图是所述客户端对本地图数据中节点进行采样得到的，所述本地模型包括本地特征缩减参数和本地个性化参数；各所述客户端对所述嵌入自我图进行数据增强得到平均自我图，将所述本地特征缩减参数和所述平均自我图上传至服务端；所述服务端根据上传的所有所述本地特征缩减参数得到新一轮的全局特征缩减参数并下发给各所述客户端，将所述平均自我图输入到全局个性化模型得到全局高层图特征并进行全局节点分类，利用全局损失函数更新所述全局个性化模型的全局个性化参数；各所述客户端根据所述新一轮的全局特征缩减参数更新所述本地特征缩减参数，根据所述本地个性化参数、所述全局个性化参数和个性化融合系数得到新的本地个性化参数；所述个性化融合系数是根据所述客户端的本地图数据与上传到所述服务端的全局图数据集之间的差异确定的。2.根据权利要求1所述的基于图数据的个性化联邦学习方法，其特征在于，各客户端将初始自我图输入到本地模型的特征缩减层得到特征缩减后的嵌入自我图之前还包括：各客户端对本地图数据中的图数据节点进行邻居采样操作，为所述图数据中每个节点生成对应的自我图。3.根据权利要求1所述的基于图数据的个性化联邦学习方法，其特征在于，各所述客户端对所述嵌入自我图进行数据增强得到平均自我图包括：各所述客户端利用Mixup技术对所述嵌入自我图相应位置的节点特征进行平均操作得到平均自我图。4.根据权利要求1所述的基于图数据的个性化联邦学习方法，其特征在于，所述服务端根据上传的所有所述本地特征缩减参数得到新一轮的全局特征缩减参数包括：所述服务端接收各所述客户端上传的所述本地特征缩减参数，将所有所述本地特征缩减参数进行平均操作得到新一轮的全局特征缩减参数。5.根据权利要求1所述的基于图数据的个性化联邦学习方法，其特征在于，各所述客户端根据所述新一轮的全局特征缩减参数更新所述本地特征缩减参数包括：各所述客户端将所述新一轮的全局特征缩减参数作为新的所述本地特征缩减参数。6.根据权利要求1所述的基于图数据的个性化联邦学习方法，其特征在于，根据所述...

【专利技术属性】
技术研发人员：陈川，张涛麟，徐子越，郑子彬，
申请(专利权)人：中山大学，
类型：发明
国别省市：