欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025109473884
申请人: 暨南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于特征空间构建与共享的联邦图学习方法,其特征在于,包括下述步骤:对各客户端的图数据,基于邻接矩阵与度矩阵生成归一化随机游走矩阵;提取多阶随机游走特征形成统一表示的全局特征,并通过特征归一化消除不同客户端的特征分布差异,构建共享的全局特征空间;所述客户端包括医疗机构客户端、工业企业客户端或社交平台客户端;

对每个节点,将全局特征与原始局部特征分别输入全局特征编码器和局部特征编码器,通过特征拼接生成混合特征;

计算客户端间的领域相似度矩阵、模型相似度矩阵及更新方向相似度矩阵,基于领域相似度矩阵和模型相似度矩阵构建全局特征关系矩阵,基于模型相似度矩阵和更新方向相似度矩阵构建局部特征关系矩阵,对所述全局特征关系矩阵和局部特征关系矩阵分别进行独立聚合,将聚合权重优化转化为带约束的二次规划问题,依据相似性动态更新聚合权重;所述独立聚合的步骤中:所述领域相似度矩阵衡量客户端之间的数据结构相似性,基于节点度分布的总变差距离计算得到;

所述模型相似度矩阵衡量全局特征编码器参数的相似性,采用余弦相似度计算得到;

所述更新方向相似度矩阵衡量局部特征编码器的梯度更新方向一致性,采用余弦相似度计算得到;

所述带约束的二次规划问题,具体为:

针对每个客户端的聚合权重向量Wi,优化问题表示如下:

;

约束:

;

其中,表示在所有可行的权重向量Wi中,寻找使目标函数取得最小值的最优解;是客户i端聚合权重向量Wi的转置;Q表示特征空间中的相似性矩阵,衡量各特征或节点间的相似关系;b表示权重偏置项向量,结合具体任务需求对聚合权重施加引导性调节;Q与b由相似性矩阵及权重系数组合生成;i表示当前正在优化的客户端编号;j表示在客户端i所参考的特征或邻居索引,用于对特征贡献权重的逐一分配;

在客户端本地训练的损失函数中增加近端正则项约束本地模型参数与服务器下发的聚合模型参数的偏离程度,基于包含正则项的目标函数,采用梯度下降法更新本地模型参数,基于客户端数据异质性动态调整正则化强度,实现协同与个性化平衡。

2.根据权利要求1所述基于特征空间构建与共享的联邦图学习方法,其特征在于,所述全局特征空间构建具体为:基于邻接矩阵Ai和度矩阵Di计算归一化随机游走矩阵;

选取随机游走矩阵中 k 步随机游走对角元素构建节点的全局特征;所述全局特征在所有客户端采用统一的生成规则,以确保不同客户端即使原始特征空间不同,依然能够映射至一致的全局特征空间中;

对生成的全局特征向量进行归一化处理,消除不同客户端的特征分布差异。

3.根据权利要求1所述基于特征空间构建与共享的联邦图学习方法,其特征在于,在客户端混合特征编码中:所述全局特征编码器采用多层感知机MLP结构,逐层提取全局特征的深层语义表示;全局特征编码器的更新公式为:;

其中,表示更新后的全局特征,为更新前的全局特征,为非线性激活函数,为可训练权重矩阵;为偏置项;

所述局部特征编码器采用图卷积网络GCN,用于挖掘节点与其邻居之间的局部结构关系与特征交互;局部特征编码器的更新公式如下:;

其中,表示更新后的全局特征;表示邻居节点u在第l层的混合特征; 表示当前节点v自身在第l层的混合特征,和一起用于特征聚合,从而计算出节点v在第l+1层的更新特征;表示节点v的邻居节点集合;和为GCN层的可训练参数,为非线性激活函数;

完成多层编码后,获取最终的节点混合特征表示。

4.根据权利要求1所述基于特征空间构建与共享的联邦图学习方法,其特征在于,所述独立聚合的步骤中:所述全局特征关系矩阵用于聚合全局特征编码器,表示如下:;

其中,G表示待优化的全局特征编码矩阵,表示求解使得整体加权均方误差最小的最优特征编码矩阵,控制领域相似度与模型相似度的平衡,MSE(. , .)表示均方误差损失函数;

所述局部特征关系矩阵用于聚合局部特征编码器,表示如下:;

其中,L表示待优化的局部编码矩阵,表示求解最优的局部特征编码矩阵,使其在目标任务T与参考结构C之间的综合误差最低,控制领域结构与梯度更新方向的权衡。

5.根据权利要求1所述基于特征空间构建与共享的联邦图学习方法,其特征在于,依据相似性动态更新聚合权重,具体为:每个客户端𝑖的个性化模型更新为:

;

其中,表示标志客户端i的个性化模型参数,经融合更新后的最终模型;K表示可选参考客户端或参考特征数量;Lik表示局部特征编码器学习得到的客户端i与参考客户端k的局部聚合权重,体现局部相似性关系;Gik表示全局特征编码器学习得到的客户端i与参考客户端k的全局聚合权重,体现全局结构一致性;表示参考客户端k的高相似性模型参数,仅在局部特征高相似性条件下进行共享;参考客户端k的全局特征空间下的模型参数;

局部特征编码器,仅在高相似度客户端之间共享,防止异构特征污染;

全局特征编码器,则根据领域及模型相似性进行优化聚合,提升协同效果。

6.根据权利要求1所述基于特征空间构建与共享的联邦图学习方法,其特征在于,客户端本地训练的优化目标如下:;

其中:表示客户端i基于本地数据集Gi的任务损失函数;θi表示当前本地模型参数;表示服务器分发的个性化聚合模型参数;λ表示正则化强度超参数,控制本地适应与全局协同的平衡;表示Frobenius范数,用于衡量参数差异。

7.根据权利要求1所述基于特征空间构建与共享的联邦图学习方法,其特征在于,采用梯度下降法更新本地模型参数,基于客户端数据异质性动态调整正则化强度,具体为:基于优化目标,采用梯度下降法进行本地模型更新:

;

其中,表示为常规任务损失的梯度;表示近端正则引导项,促使模型参数收敛于个性化聚合结果附近,避免模型发散;

动态调整正则化系数λ,调整策略如下:

;

其中:λ0为基础正则化系数;δi表示客户端i的异构性度量指标。

8.基于特征空间构建与共享的联邦图学习系统,其特征在于,应用于权利要求1-7中任一项所述的基于特征空间构建与共享的联邦图学习方法,包括全局特征空间构建模块、客户端混合特征编码模块、自适应聚合模块以及个性化模型更新模块;

所述全局特征空间构建模块,用于对各客户端的图数据,基于邻接矩阵与度矩阵生成归一化随机游走矩阵;提取多阶随机游走特征形成统一表示的全局特征,并通过特征归一化消除不同客户端的特征分布差异,构建共享的全局特征空间;

所述客户端混合特征编码模块,用于对每个节点,将全局特征与原始局部特征分别输入全局特征编码器和局部特征编码器,通过特征拼接生成混合特征;

所述自适应聚合模块,用于计算客户端间的领域相似度矩阵、模型相似度矩阵及更新方向相似度矩阵,基于领域相似度矩阵和模型相似度矩阵构建全局特征关系矩阵,基于模型相似度矩阵和更新方向相似度矩阵构建局部特征关系矩阵,对所述全局特征关系矩阵和局部特征关系矩阵分别进行独立聚合,将聚合权重优化转化为带约束的二次规划问题,依据相似性动态更新聚合权重;

所述个性化模型更新模块,用于在客户端本地训练的损失函数中增加近端正则项约束本地模型参数与服务器下发的聚合模型参数的偏离程度,基于包含正则项的目标函数,采用梯度下降法更新本地模型参数,基于客户端数据异质性动态调整正则化强度,实现协同与个性化平衡。