一种基于图计算的联邦学习方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114444659A(43)申请公布日2022.05.06(21)申请号202210073741.7(22)申请日2022.01.21(71)申请人杭州半云科技有限公司地址310000浙江省杭州市西湖区转塘科技经济区块16号3幢296室(72)发明人陈细平陈卫强姚家渭(74)专利代理机构杭州山泰专利代理事务所(普通合伙)33438专利代理师周玲(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06N20/00(2019.01)G06F21/60(2013.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于图计算的联邦学习方法和系统(57)摘要本发明公开了一种基于图计算的联邦学习方法和系统，包括模型构建模块、模型运行模块和模型评估模块，所述模型运行模块包括图神经网络组件、机器学习组件和连接组件，所述模型运行模块包括模型参数配置单元、模型运行单元和模型运行结果及日志查看单元，所述模型评估模块包括模型下载单元和模型预测单元。本发明中，通过发起方、协助方和协调方组建一个联合模型，协作方各自本体保留自己的本地模型，从多方数据源获取图神经网络模型需要的点边特征数据，但数据在各自节点的物理机上并且在模型训练过程中不会传输原数据，并且在进行多方数据对齐时，通过rsa加密的方式进行加密对齐，保证数据隐私性。CN114444659ACN114444659A权利要求书1/1页1.一种基于图计算的联邦学习系统，其特征在于，包括模型构建模块、模型运行模块和模型评估模块，所述模型运行模块包括图神经网络组件、机器学习组件和连接组件，所述模型运行模块包括模型参数配置单元、模型运行单元和模型运行结果及日志查看单元，所述模型评估模块包括模型下载单元和模型预测单元；所述模型构建模块通过组合图神经网络组件和机器学习组件组成子模型；所述模型运行模块对子模型进行参数配置，并对参数配置完成的子模型进行运行，运行成功后生成联合模型，以dag图的形式运行；所述模型评估模块对联合模型进行评估和预测，查看模型的准确率，并导出联合模型。2.根据权利要求1所述的一种基于图计算的联邦学习系统，其特征在于，还包括端对端缓存器、数据存储器和显示模块，所述端对端缓存器用于协调不同服务节点的处理相关数据，所述数据存储器用于存放端节点运行的数据和日志，所述显示模块用于显示与联合模型运行后相关节点数据和节点日志。3.根据权利要求1所述的一种基于图计算的联邦学习系统，其特征在于，所述连接组件用来连接图神经网络组件和机器学习组件，以构建得到完整的子模型。4.根据权利要求1所述的一种基于图计算的联邦学习系统，其特征在于，所述模型参数配置单元联合发起方和协助方的数据对子模型进行参数配置，并通过模型运行单元对配置完成的子模型进行运行，运行成功后生成联合模型，通过模型运行结果及日志查看单元查看各组件的结果和日志。5.根据权利要求1所述的一种基于图计算的联邦学习系统，其特征在于，所述模型预测单元对联合模型进行评估和预测，查看模型的准确率，通过模型下载单元导出联合模型。6.一种基于图计算的联邦学习方法，其特征在于，包括以下步骤：S1、本地数据集准备：根据发起方、协助方的不同权限对数据集进行配置和选用，发起方在配置联合模型时，选择发起方本地节点的数据集以及协助方向外提供的数据集；S2、联邦学习建模：在模型构建模块内，通过在画布中拖拽机器学习组件和图神经网络组件组合成子模型，对不同组件的参数进行配置；S3、子模型运行训练和联合模型的生成：在模型运行模块内，通过非对称加密方式将发起方、协助方的数据集经过加密后，再对子模型进行训练，发起方联合所有参与方的子模型和数据生成联合模型，发起方和各协助方的节点互相物理隔离，数据之间的通信会通过一个各方信任的可信节点进行；S4、联合模型评估和导出：在模型评估模块内，对已经训练好的联合模型进行评估和预测，查看模型的准确率，并导出联合模型。7.根据权利要求6所述的一种基于图计算的联邦学习方法，其特征在于，在步骤S3中，子模型运行训练采用迭代训练的方式，即直到loss达到预期或者训练次数达到设置的最大值时完成子模型的训练，发起方和协助方在本地通过对应图神经网络得出权重更新模型后一起发送到可信节点进行聚合、加密和解密操作，然后发起方和协助方通过和可信节点之间的通信权重传递和更新，重复上述迭代直至收敛或者达到最大迭代次数。2CN114444659A说明书1/4页一种基于图计算的联邦学习方法和系统技术领域[0001]本发明涉及图计算和联邦学习技术领域，尤其涉及一种基于图计算的联邦学习方法和系统。背景技术[0002]随着大数据以及知识图谱技术的迅速发展，数据量的维度大幅度增加，数