CN117556919B 基于簽名聚類的個性化圖聯邦學習方法、系統及存儲介質 （杭州安恒信息技術股份有限公司）

WO2023141809A1,2023.08.03本發明公開了基于簽名聚類的個性化圖聯客戶端接收服務器下發的模型進行訓練并根據性化因子之外的模型層參數和簽名上傳至服務的聯邦平均后的模型參數并結合個性化因子進效果差及客戶端之間和客戶端內部的數據異質2所述客戶端接收服務器下發的模型進行訓練并根據模型的參數進行聚合，包括步驟：在本地模型中添加個性化因子并將除個性化因子之外的模型層參數和簽名上傳至服所述在本地模型中添加個性化因子，包括步驟：將每個圖視為一個不同的對GraphNorm作為每個圖的個性化因子；在本地保留個性化因子并將其排除在聯邦學習的共服務器根據各客戶端的簽名進行聚類并在聚類簇內部執所述客戶端接收服務器下發的聯邦平均后的模型參數并結合個性化因子進行本地訓將最后一輪聚合得到的一致維度矩陣作為哈希根據客戶端之間的相似度采用k_means聚類算法或分層聚類樹算法進行聚類，得到多根據客戶端簽名向量之間的夾角余弦值計算余根據余弦相似度和/或歐式距離和/或漢明距離和/或皮爾遜相關系數計算客戶端之間聚類簇內部執行聯邦平均是采用FedAvg方法將模型參機程序使計算機執行如權利要求1_5任一項3一個或多個程序，其中所述一個或多個程序被存儲在存儲4[0004]為了提高聚類學習的效果和解決客戶端內部和客戶端之間圖形數據的異質性問[0005]本發明實施例提出一種基于簽名聚類的個性化圖聯邦學習方法、系統及存儲介質，以至少解決相關技術中聚類學習效果差及客戶端之間和客戶端內部的數據異質性問[0009]在本地模型中添加個性化因子并將除個性化因子之外的模型層參數和簽名上傳[0011]客戶端接收服務器下發的聯邦平均后的模型參數并結合個性化因子進行本地訓5[0025]根據客戶端之間的相似度采用k_means聚類算法或分層聚類樹算法進行聚類，得[0027]在一個示例性實施例中，所述根據代表客戶端的簽名計[0032]根據余弦相似度和/或歐式距離和/或漢明距離和/或皮爾遜相關系數計算客戶端[0039]根據本發明的另一個實施例，提供了一種基于簽名聚類的個性化圖聯邦學習系[0044]本發明的基于簽名聚類的個性化圖聯邦學習方法、系統及存儲介質具有的優點6[0045](1)客戶端利用均值池化方法將數據聚合為統一的維度得到一致維度矩陣并以此[0046](2)根據客戶端簽名的余弦相似度和/或歐式距離和/或漢明距離計算客戶端之間[0047](3)根據客戶端之間的相似度采用k_means聚類算法或分層聚類樹算法進行聚類[0061]步驟S03、在本地模型中添加個性化因子并將除個性化因子之外的模型層參數和[0063]步驟S05、客戶端接收服務器下發的聯邦平均后的模型參數并結合個性化因子進77i-"且ni為第i個客8[0088]步驟S042、根據客戶端之間的相似度采用k_means聚類算法或分層聚類樹算法進[0100]根據客戶端的哈希簽名比特差異計算客戶端之間的漢明距離，漢明距離用變量n[0101]所述根據客戶端簽名向量的線性相關性計算皮爾遜相關系數是根據皮爾遜相關[0102]所述根據余弦相似度和/或歐式距離和/或漢明距離和/或皮爾遜相關系數計算客9戶端之間的相似度是根據模型之間的余弦相似度和/或歐式距離和/或漢明距離和/或皮爾遜相關系數與相似度的正相關關系計算客戶端之間的相似度，客戶端之間的相似度用e表[0111]根據表A中計算得到的客戶端之間的相似度e，采用k_means聚類算法或分層聚類[0120]本發明實施例的一種基于簽名聚類的個性化圖聯邦學習系統，結構示意圖如圖8