摘要
本发明涉及一种基于伪元路径生成的联邦异构图表示学习方法及系统,属于联邦异构图表示学习技术领域,通过引入伪元路径生成、联邦异构图融合和联邦参数聚合方法,将异构图表示学习方法很好地融入进联邦学习架构中,通过联邦学习的架构来提升模型性能。本发明通过客户端伪元路径生成,解决了联邦异构图表示学习中跨客户端的结构信息缺失问题。本发明通过共享伪元路径而不是本地真实数据,可以保障客户端的本地数据隐私,每个客户端的本地真实异构图都不会被其他客户端或者中心服务器获取,在很好地提升模型性能的同时,极大地提升联邦异构图表示学习方法中对客户端本地数据隐私的保护能力。
技术关键词
客户端
中心服务器
节点
异构
学习方法
邻居
路径结构
差分隐私
标签
参数
训练集
关系
代表
生成算法
注意力机制
数据
语义
优化器
定义
系统为您推荐了相关专利信息
LSTM模型
计算机可执行指令
构建电网拓扑图
节点特征
网络
公路桥梁
环境监测数据
车辆行驶状态
车辆行驶监测
智能分析系统
节点
配电设备
配电网供电恢复方法
群体智能优化算法
电力分配
安装箱
分布式文件系统
令牌桶算法
数据块放置策略
错误检测
推演方法
神经网络模型
网络结构
可视化交互界面
分布式电源