【技术实现步骤摘要】
本专利技术属于图数据处理，具体涉及一种基于分布式隐私图注意力网络模型的图数据预测方法。
技术介绍
1、在人工智能和深度学习技术迅猛发展的今天，非欧氏空间数据的信息挖掘需求显著增加。图数据作为非欧式空间数据的代表，凭借其特殊的信息承载能力，在多个领域发挥着重要作用，如通过社交关系图推荐商品，利用化学结构图推断新分子，或者使用代码结构图挖掘软件漏洞。为有效挖掘图数据的价值，图神经网络(graph neural networks，gnn)应运而生，特别是图卷积神经网络(graph convolutional networks，gcn)因其对图结构特征的高效提取而受到重视。尽管gcn在特征提取上取得了进展，但它们在处理权重分配、全局信息聚合以及大规模图数据时面临着固有的限制。为克服这些限制，图注意力网络(graphattention networks，gat)被提出，引入自注意力机制以灵活地调整邻居节点的权重分配，并提高全局信息的捕捉能力。然而，gat在实际生产环境中的应用仍受到数据异构性的挑战。
2、由于在实际生产环境中图数据往往...
【技术保护点】
1.一种基于分布式隐私图注意力网络模型的图数据预测方法，其特征在于，应用于算力服务器，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述同性化数据是所述数据持有端将所述本地图数据向同化方向平移同化距离后得到的；
3.根据权利要求2所述的方法，其特征在于，所述分布式隐私图注意网络模型的训练方法包括：
4.根据权利要求3所述的方法，其特征在于，所述分布式隐私图注意力网络模型包括多个所述待学习矩阵，所述待学习矩阵由所述分布式隐私图注意力网络模型中的至少一个节点共享。
5.根据权利要求4所述的方法，其特征在于，所述在...
【技术特征摘要】
1.一种基于分布式隐私图注意力网络模型的图数据预测方法，其特征在于，应用于算力服务器，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述同性化数据是所述数据持有端将所述本地图数据向同化方向平移同化距离后得到的；
3.根据权利要求2所述的方法，其特征在于，所述分布式隐私图注意网络模型的训练方法包括：
4.根据权利要求3所述的方法，其特征在于，所述分布式隐私图注意力网络模型包括多个所述待学习矩阵，所述待学习矩阵由所述分布式隐私图注意力网络模型中的至少一个节点共享。
5.根据权利要求4所述的方法，其特征在于，所述在所述损失函数的约束下，训练所述分布式隐私图注意...
【专利技术属性】
技术研发人员：丁文秀，蔡宇轩，肖昱翾，闫峥，王明君，王普，
申请(专利权)人：西安电子科技大学，
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。