基于图神经网络的联邦学习方法、装置及联邦学习系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114757364A(43)申请公布日2022.07.15(21)申请号202210481764.1(22)申请日2022.05.05(71)申请人支付宝实验室（新加坡）有限公司地址新加坡勿拉士巴沙路51号，来赞达一号#04-08(72)发明人张铁华(74)专利代理机构北京永新同创知识产权代理有限公司11376专利代理师林锦辉刘景峰(51)Int.Cl.G06N20/00(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书12页附图4页(54)发明名称基于图神经网络的联邦学习方法、装置及联邦学习系统(57)摘要本说明书实施例提供了基于图神经网络的联邦学习方法、装置及联邦学习系统。在联邦学习方法中，在各个第一成员设备处，对本地的时空数据进行针对图节点以及图节点关系的挖掘，以生成图结构数据；使用图结构数据对本地的图神经网络模型进行训练，以得到更新量信息；将更新量信息发送给第二成员设备；在第二成员设备处，接收各个第一成员设备发送的更新量信息；根据所接收的各个更新量信息得到合并更新量信息；以及根据合并更新量信息将对应的模型更新信息分别发送给各个第一成员设备，以使各个第一成员设备根据模型更新信息对本地的图神经网络模型进行更新。CN114757364ACN114757364A权利要求书1/3页1.一种基于图神经网络的联邦学习方法，所述联邦学习方法由联邦学习系统执行，所述联邦学习系统包括至少两个第一成员设备和第二成员设备，各个第一成员设备具有用于对本地的图神经网络模型进行训练的时空数据，所述联邦学习方法包括：在各个第一成员设备处，对本地的时空数据进行针对图节点以及图节点关系的挖掘，以生成由图节点作为点和图节点关系作为边所构成的图结构数据；使用所述图结构数据对本地的图神经网络模型进行训练，以得到针对本地的图神经网络模型的更新量信息；将所述更新量信息发送给所述第二成员设备；在所述第二成员设备处，接收所述各个第一成员设备发送的更新量信息；根据所接收的各个更新量信息得到合并更新量信息；以及根据所述合并更新量信息将对应的模型更新信息分别发送给所述各个第一成员设备，以使所述各个第一成员设备根据所述模型更新信息对本地的图神经网络模型进行更新。2.如权利要求1所述的联邦学习方法，其中，对本地的时空数据进行针对图节点以及图节点关系的挖掘，以生成由图节点作为点和图节点关系作为边所构成的图结构数据包括：使用图节点挖掘模型对本地的时空数据进行图节点挖掘，以得到所挖掘的各个图节点对应的图节点特征；使用关系挖掘模型对所得到的图节点特征进行图节点关系挖掘，以得到用于表征所述各个图节点之间关系的图节点关系特征；以及基于所得到的图节点特征和图节点关系特征，生成图结构数据。3.如权利要求2所述的联邦学习方法，其中，所述关系挖掘模型配置有PCC算法、K‑NN算法、距离算法以及PLV算法中的至少一种关系挖掘算法。4.如权利要求3所述的联邦学习方法，其中，所述关系挖掘模型配置有多种关系挖掘算法，使用关系挖掘模型对所得到的图节点特征进行图节点关系挖掘，以得到用于表征所述各个图节点之间关系的图节点关系特征包括：使用所述关系挖掘模型中所配置的所述多种关系挖掘算法分别对所得到的图节点特征进行图节点关系挖掘，以得到每种关系挖掘算法所挖掘出的一组图节点关系特征；将所挖掘出的各组图节点关系特征进行比较，以确定出最佳的一组图节点关系特征；以及将所确定出的一组图节点关系特征作为所述各个图节点之间的图节点关系特征输出。5.如权利要求1所述的联邦学习方法，其中，所述各个第一成员设备本地的图神经网络模型的模型结构类型不同。6.如权利要求1所述的联邦学习方法，其中，根据所接收的各个更新量信息得到合并更新量信息包括：对所接收的各个更新量信息进行平均计算，以得到平均后的合并更新量信息。7.如权利要求1所述的联邦学习方法，其中，根据所述合并更新量信息将对应的模型更新信息分别发送给所述各个第一成员设备，以使所述各个第一成员设备根据所述模型更新信息对本地的图神经网络模型进行更新包括：2CN114757364A权利要求书2/3页将所述合并更新量信息分别发送给所述各个第一成员设备，以使所述各个第一成员设备根据所述合并更新量信息对本地的图神经网络模型进行更新。8.如权利要求1所述的联邦学习方法，其中，所述各个第一成员设备本地的图神经网络模型的模型结构类型相同，根据所述合并更新量信息将对应的模型更新信息分别发送给所述各个第一成员设备，以使所述各个第一成员设备根据所述模型更新信息对本地的图神经网络模型进行更新包括：根据所述合并更新量信息来更新所述第二成员设备本地的图神经网络模型，其中，该图神经网络模型与所述各个