申请/专利权人：昆明理工大学

申请日：2024-01-18

公开（公告）日：2024-04-26

公开（公告）号：CN117933366A

主分类号：G06N3/098

分类号：G06N3/098;G06F21/62

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明涉及一种基于参与者图参数广播的图结构数据联邦学习方法，属于联邦学习技术领域。首先，由参与者训练一个节点生成深度学习模型负责生成扩展节点。其次，将参与者看作参与者图的节点，通过计算参与者的扩展节点之间的欧氏距离，判定参与者数据之间是否存在关联，若存在关联，记参与者节点之间存在一条边，以此构建参与者图。在参与者图中，参与者节点与其定长可达简单路径上的有序节点组成联盟。然后，参与者使用图结构数据进行训练，并将参数上传至服务器，服务器将参数广播至联盟参与者进行训练。最后，计算参与者的边际收益作为其贡献权重，通过加权聚合得到全局参数。本发明有效地提高全局参数的测试精度。

主权项：1.一种基于参与者图参数广播的图结构数据联邦学习方法，其特征在于：包括如下步骤：Step1：各参与者独立训练一个节点生成深度学习模型，节点生成深度学习模型负责基于本地图结构数据生成扩展节点，并将扩展节点上传至服务器；Step2：服务器计算参与者的扩展节点之间的欧式距离，以此为依据判定两个参与者本地图结构数据之间是否存在关联关系，构建参与者图，参与者图中，每个参与者看作一个参与者节点，每个参与者节点的定长简单路径中的有序节点组成它的联盟；Step3：服务器分发初始化参数至各参与者，参与者使用本地图结构数据进行训练，并将训练后的参数上传至服务器；Step4：服务器将参与者上传的参数广播至它的联盟进行训练，并计算各轮训练结果的F1分数；Step5：服务器根据每轮训练得到的F1分数，基于夏普利理论中的“边际收益”思想计算参与者的贡献权重，通过加权聚合得到最终的全局参数。

全文数据：

权利要求：

百度查询： 昆明理工大学 一种基于参与者图参数广播的图结构数据联邦学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD