一种突发事件识别模型训练方法、识别方法及装置制造方法及图纸

本发明专利技术提供一种突发事件识别模型训练方法、识别方法及装置，基于联邦学习的架构预训练全局分类器，通过随机块模型对各客户端的局部图抽取对局部结构信息并聚合，重建带有全局信息的局部视图，通过知识蒸馏的方式，利用带有全局信息的局部视图指导局部视角下的模型优化训练，最小化两个图结构下的表示差异；利用对比学习方法，通过对图数据进行扰动和扩充，构建增强视图，并选取原图和增强试图中对应节点的表示作为正样本，不同节点的表示作为负样本，约束正负样本的表示距离，提升模型的表示学习能力和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及数据处理，尤其涉及一种突发事件识别模型训练方法、识别方法及装置。

技术介绍

1、深度学习模型的效果与数据的质与量是高度相关的。模型可以从高质量有代表性的数据中心学习有用的知识。但是，高质量的数据通常掌握在众多公司、组织与设备中，由于隐私、法规与利益等因素，这些数据不能在各方自由流动，难以集中起来训练模型。

2、近年来，图神经网络(gnns)由于其强大复杂图结构数据的建模能力，以及被广泛地应用于社交网络、交通建模、推荐系统和药物发现等领域。与其他领域的机器学习任务类似，训练性能良好的图神经网络模型不仅要求其训练数据足够，而且要求这些数据满足独立同分布。而在现实中，数据所有者局限于自身领域，无法观察到全局分布，通常收集的有限和有偏差的图。为了提高模型的泛化性能，需要多方的协同训练。但数据存储在本地数据所有者中，且由于数据隐私问题，无法通过客户端间直接传递数据进行集中式训练。联邦学习(fl)旨在训练数据分布在多个局部系统中的机器学习模型，以解决信息孤岛问题。联邦学习在不需要共享任何原始数据的情况下提高协同训练模型的性能和泛化能力方面显示本文档来自技高网...

【技术保护点】

1.一种基于联邦图结构学习的突发事件识别模型训练方法，其特征在于，所述方法基于一个全局服务器和多个客户端执行，该方法包括以下步骤：

2.根据权利要求1所述的基于联邦图结构学习的突发事件识别模型训练方法，其特征在于，所述同质图采用文本嵌入模型Bert进行初始表示。

3.根据权利要求1所述的基于联邦图结构学习的突发事件识别模型训练方法，其特征在于，最小化聚合风险进行参数优化得到全局分类器，包括：

4.根据权利要求1所述的基于联邦图结构学习的突发事件识别模型训练方法，其特征在于，利用随机块模型抽取各客户端的所述孤立子图的局部图结构信息，并进行聚合；在客户端重...

【技术特征摘要】

1.一种基于联邦图结构学习的突发事件识别模型训练方法，其特征在于，所述方法基于一个全局服务器和多个客户端执行，该方法包括以下步骤：

2.根据权利要求1所述的基于联邦图结构学习的突发事件识别模型训练方法，其特征在于，所述同质图采用文本嵌入模型bert进行初始表示。

3.根据权利要求1所述的基于联邦图结构学习的突发事件识别模型训练方法，其特征在于，最小化聚合风险进行参数优化得到全局分类器，包括：

4.根据权利要求1所述的基于联邦图结构学习的突发事件识别模型训练方法，其特征在于，利用随机块模型抽取各客户端的所述孤立子图的局部图结构信息，并进行聚合；在客户端重建带有全局信息的重建局部图，包括：

5.根据权利要求4所述的基于联邦图结构学习的突发事件识别模型训练方法，其特征在于，所述方法还包括：

6.根据权利要求1...

【专利技术属性】
技术研发人员：李雅文，孟晓龙，管泽礼，薛哲，寇菲菲，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：