面向无人代理互联网的个性化联邦子图学习方法

本发明提供一种面向无人代理互联网的个性化联邦子图学习方法，通过以下步骤协同优化全局目标函数：基于用户代理的子图相似度和置信度动态计算聚合权重，对用户代理的模型参数进行加权聚合，以实现跨代理的隐式知识共享；通过局部激活向量对全局聚合后的模型参数进行稀疏化处理，聚焦与本地子图结构相关的参数，降低无关参数的干扰，实现参数选择性激活；基于动态正负样本分配机制，优化节点嵌入表征的一致性，增强模型对局部数据分布的适应性；其中，所述全局目标函数整合监督损失、正则化项及近端约束项，以平衡模型性能与隐私保护需求。