一种基于软聚类的联邦异构图学习方法

    公开(公告)号:CN119691477A

    公开(公告)日:2025-03-25

    申请号:CN202411847303.7

    申请日:2024-12-16

    Abstract: 本发明提出一种基于软聚类的联邦异构图学习方法,以解决图结构数据的非独立同分布、训练过程中客户端参与程度不一致导致的联邦学习模型性能下降问题。本发明将图结构数据的结点属性特征和结构特征进行解耦训练,并根据不同客户端的图结构数据结构特征分布的相似性进行个性化的软聚类,最终在聚类内依据客户端在训练中的参与程度以及模型性能进行加权聚合,得到个性化迭代后的模型。本发明将软聚类与联邦图学习两种领域的前沿技术结合,有助于解决联邦图学习中拥有不同图结构数据分布、不同训练程度的客户端对模型性能的负面影响,保护本地数据隐私安全,同时训练更贴合客户端实际数据分布的个性化模型,提高联邦学习模型的训练效率和准确性。

Patent Agency Ranking