一种联邦学习差分隐私的图神经网络系统及训练方法

本发明为一种联邦学习差分隐私的图神经网络系统及训练方法，属于人工智能信息安全领域。该系统由一个服务器和M个客户端装置组成，彼此通过网络连接进行数据通讯。该方法包括如下步骤：S1：初始化联邦学习参数；S2：初始化分层池化图神经网络模型参数；S3：发送模型参数发送给客户端装置；S4：客户端计算联邦学习梯度数据；S5：将联邦学习梯度数据发送给服务器；S6：服务器计算新模型参数；S7：重复步骤S3～S8，直到最大迭代次数。本发明方法通过引入分层池化策略以增强表示能力，通过对梯度进行一阶和二阶矩估计的融合及其校正，实现了动态调整学习率，在联邦学习框架下显著提高了GNNs的适应性和收敛速度，增强了GNNs对噪声和类不平衡的鲁棒性。