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。