一种基于聚类的联邦图学习方法及系统

专利申请号：CN202210836422.7

公 开 号：CN115391576A

发 明 人：俞山青 金士博 章诗涵 徐少聪 宣琦 

代 理 人：王兵

代理机构：杭州天正专利事务所有限公司

专利类型：发明专利

申 请 日：20221125

公 开 日：20220715

专利主分类号：G06F16/45

关 键 词：客户端 服务器 上传 模型参数 全局模型 聚类 聚合 收敛 数据收集方式 结构差异性 参数处理 分布数据 节点分类 聚合算法 链路预测 数据分布 网络参与 不均匀 聚类簇 输出层 图数据 簇间 更新 构建 并发 标签 学习 网络 

摘      要：一种基于聚类的联邦图学习方法，基于聚类聚合算法提升数据分布不均匀的图网络参与联邦学习获得的全局模型性能，所述方法包括步骤：S1：客户端通过各自的数据收集方式获取图数据，构建图网络并计算各类标签的结构差异性E，上传至服务器；S2：拥有不同分布数据的客户端在本地进行训练，直至模型收敛，以获得输出层的模型参数aout并上传至服务器。服服务器将客户端上传的两个参数处理后作为划分客户端到不同的聚类簇的依据；S3:各客户端本地训练至一定批次时，上传其模型参数至服务器。服务器通过簇内聚合与簇间聚合更新全局模型参数并发送给各个客户端，客户端更新模型继续下一批次的训练，直至模型收敛。本发明能更好地完成节点分类，链路预测任务。