基于北斗授时的客户端子图修复方法、装置、设备及介质制造方法及图纸

本申请公开了基于北斗授时的客户端子图修复方法、装置、设备及介质，该方法包括：获取客户端的子图；使用北斗授时系统对本客户端的本地数据进行时序同步，确保子图与全局图的其它子图处于相同的时间序列；部署中央生成器，部署鉴别器，部署本地生成器；训练本地生成器，通过训练后的本地生成器生成子图的第一缺失节点特征；通过训练后的中央生成器生成子图的第二缺失节点特征；基于第一缺失节点特征以及第二缺失节点特征，修复子图缺失的邻居信息；基于修复后的子图对局部节点分类器进行训练，生成本地参数，将本地参数发送至服务器，以使服务器基于本地参数训练全局节点分类器。本申请能修复客户端子图，同时能提高全局节点分类器的性能。器的性能。器的性能。

【技术实现步骤摘要】
基于北斗授时的客户端子图修复方法、装置、设备及介质


[0001]本申请涉及互联网
，尤其涉及一种基于北斗授时的客户端子图修复方法、装置、设备及存储介质。

技术介绍

[0002]随着人工智能技术的快速发展以及运用，目标系统的数据集的规模和复杂度都在不断增加。针对目标系统中的隐私保护需求，联邦图学习是一种解决该问题的新型范式，主要作用在于如何在解决数据孤岛问题的同时，利用图神经网络来处理复杂的图结构数据，并且更好的提取数据之间的特征。
[0003]为便于说明，以目标系统为金融系统举例，参考图1，图1图1是现有的全局图的样例图，全局图分成了多个子图，每个子图对应一个银行的数据集，由于隐私保护的要求，不同银行之间不能有任何信息交流，因此会导致子图缺失客户端信息。因此，需要对子图进行修复，而修复子图需要借助所有子图的数据，因此，如何在不泄露隐私的情况下进行跨客户端丢失信息修复是一个难题。
[0004]另外，如何在不泄露隐私的情况下进行跨客户端丢失信息修复也是一个亟需解决的问题，因为联邦学习中跨客户端信息丢失问题会给金融医疗等领域带来不良影响，详述如下：
[0005]风险评估和欺诈检测：全局图中的邻居关系可以提供更全面的信息，有助于银行进行风险评估和欺诈检测。然而，由于隐私保护要求，这些邻居关系在子图间消失，导致图数据表示不够充分。这可能使得银行在评估风险和检测欺诈时错过一些重要的信号和模式，从而降低其准确性和效果。
[0006]跨银行机构合作和数据共享：银行之间的信息交流被限制，可能对跨银行的合作和数据共享带来挑战。在金融医疗领域，跨银行的数据共享可以帮助识别潜在的金融欺诈行为、支持精确的金融账单管理等。由于邻居关系的断链现象，银行之间无法充分共享信息，这可能限制了跨银行合作的潜力和效益。
[0007]数据分析和模型性能：全局节点分类器和局部节点分类器的性能可能会受到影响。全局节点分类器通常基于整个全局图进行训练，其中包含了更全面的信息。然而，由于邻居关系的断链，全局节点分类器可能无法捕捉到跨银行的关联和模式，从而降低其预测和分析能力。局部节点分类器则仅基于子图进行训练，缺乏全局信息的支持，可能导致性能下降或局限性增加。
[0008]疾病传播监测的挑战：在医疗领域，了解疾病的传播模式和趋势对于有效的防控和治疗至关重要。全局图的断链可能导致在子图中无法准确反映不同机构之间的疾病传播关系，从而影响对疫情的监测和控制。这可能会导致在全局节点分类器和局部节点分类器中无法充分利用数据，从而降低对疾病传播的理解和应对能力。
[0009]数据挖掘和洞察力的缺失：全局图提供了更广泛的数据视角，能够揭示机构之间的相互作用和影响。然而，由于断链现象，局部节点分类器在子图中只能看到有限的信息，
从而导致数据挖掘和洞察力的缺失。这可能阻碍了发现新的模式、趋势和关联性，限制了在金融医疗领域做出准确预测和决策的能力。
[0010]因此，如何在不泄露隐私的情况下进行跨客户端丢失信息修复是一个难题，也是一个亟需解决的问题。

技术实现思路

[0011]本申请实施例提供一种基于北斗授时的客户端子图修复方法、装置、设备及存储介质，以解决上述如何在不泄露隐私的情况下进行跨客户端丢失信息修复的问题和如何使用修补客户端丢失信息后的子图训练全局节点分类器的问题。
[0012]第一方面，本申请实施例提供了一种基于北斗授时的客户端子图修复方法，所述基于北斗授时的客户端子图修复方法包括：
[0013]获取客户端的子图，所述子图由所述目标系统的全局图划分而成，所述目标系统为基于联邦学习的系统；
[0014]使用所述北斗授时系统对本客户端的本地数据进行时序同步，确保所述子图与所述全局图的其它子图处于相同的时间序列；
[0015]在参与所述联邦学习的服务器端部署一个生成对抗神经网络的中央生成器，在参与所述联邦学习的客户端部署一个所述生成对抗神经网络的鉴别器，在所述客户端部署一个图神经网络的本地生成器；
[0016]通过遮蔽所述子图以及恢复遮蔽所述子图的方式训练所述本地生成器，通过训练后的所述本地生成器生成所述子图的第一缺失节点特征；
[0017]将所述中央生成器和所述鉴别器进行协同训练，通过训练后的所述中央生成器生成所述子图的第二缺失节点特征；
[0018]基于所述子图的第一缺失节点特征以及所述子图的第二缺失节点特征，修复所述子图缺失的邻居信息；
[0019]基于修复所述邻居信息后的所述子图对所述联邦学习的局部节点分类器进行训练，生成所述局部节点分类器的本地参数，将所述本地参数发送至所述服务器，以使所述服务器基于所述本地参数训练所述联邦学习的全局节点分类器，以提高所述全局节点分类器在节点分类任务上的性能。
[0020]作为一个可选的实施方式，所述通过遮蔽所述子图以及恢复遮蔽所述子图的方式训练所述本地生成器，通过训练后的所述本地生成器生成所述子图的第一缺失节点特征，包括：
[0021]将一个遮蔽的所述子图输入至未训练的所述本地生成器，通过所述图神经网络得到一个图表示，将所述图表示送至多层感知机，通过所述多层感知机对遮蔽的所述子图的遮蔽节点数目、预测节点数目、遮蔽节点特征、预测节点特征进行分类训练；
[0022]训练完毕后，将未遮蔽的子图输入至训练后的所述本地生成器，通过训练后的所述本地生成器生成所述子图的所述第一缺失节点特征。
[0023]作为一个可选的实施方式，所述将所述中央生成器和所述鉴别器进行协同训练，通过训练后的所述中央生成器生成所述子图的第二缺失节点特征，包括：
[0024]输入高斯白噪声至所述中央生成器，通过所述中央生成器生成所述子图的初始缺
失节点特征，将所述初始缺失节点特征输入至所述鉴别器；
[0025]通过所述鉴别器获取评估结果，同时更新所述鉴别器，所述评估结果包括将所述初始缺失节点特征鉴别为所述真实节点特征的概率；
[0026]通过所述评估结果更新所述中央生成器，获取更新后的所述鉴别器和更新后的所述中央生成器之间的损失函数，对多个所述损失函数进行聚合，采用聚合后的所述损失函数对所述中央生成器进行迭代训练，直至达到预设条件，才停止训练所述中央生成器；
[0027]通过训练后的所述中央生成器生成所述子图的所述第二缺失节点特征。
[0028]作为一个可选的实施方式，所述预设条件包括训练次数达到了预设次数、训练时间达到了预设时间、最小化的所述损失函数使所述对抗神经网络达到收敛状态中的其中一种或其组合。
[0029]作为一个可选的实施方式，所述全局节点分类器是用于预测金融系统的用户行为和用户偏好的节点分类器。
[0030]作为一个可选的实施方式，所述全局节点分类器是用于预测医疗系统的用户行为和用户偏好的节点分类器。
[0031]作为一个可选的实施方式，所述目标系统包括金融系统和医疗系统中其中一种或其组合。
[0032]第二方面，本申请实施例还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于北斗授时的客户端子图修复方法，其特征在于，所述基于北斗授时的客户端子图修复方法包括：获取客户端的子图，所述子图由所述目标系统的全局图划分而成，所述目标系统为基于联邦学习的系统；使用所述北斗授时系统对本客户端的本地数据进行时序同步，确保所述子图与所述全局图的其它子图处于相同的时间序列；在参与所述联邦学习的服务器端部署一个生成对抗神经网络的中央生成器，在参与所述联邦学习的客户端部署一个所述生成对抗神经网络的鉴别器，在所述客户端部署一个图神经网络的本地生成器；通过遮蔽所述子图以及恢复遮蔽所述子图的方式训练所述本地生成器，通过训练后的所述本地生成器生成所述子图的第一缺失节点特征；将所述中央生成器和所述鉴别器进行协同训练，通过训练后的所述中央生成器生成所述子图的第二缺失节点特征；基于所述子图的第一缺失节点特征以及所述子图的第二缺失节点特征，修复所述子图缺失的邻居信息；基于修复所述邻居信息后的所述子图对所述联邦学习的局部节点分类器进行训练，生成所述局部节点分类器的本地参数，将所述本地参数发送至所述服务器，以使所述服务器基于所述本地参数训练所述联邦学习的全局节点分类器，以提高所述全局节点分类器在节点分类任务上的性能。2.根据权利要求1所述的基于北斗授时的客户端子图修复方法，其特征在于，所述通过遮蔽所述子图以及恢复遮蔽所述子图的方式训练所述本地生成器，通过训练后的所述本地生成器生成所述子图的第一缺失节点特征，包括：将一个遮蔽的所述子图输入至未训练的所述本地生成器，通过所述图神经网络得到一个图表示，将所述图表示送至多层感知机，通过所述多层感知机对遮蔽的所述子图的遮蔽节点数目、预测节点数目、遮蔽节点特征、预测节点特征进行分类训练；训练完毕后，将未遮蔽的子图输入至训练后的所述本地生成器，通过训练后的所述本地生成器生成所述子图的所述第一缺失节点特征。3.根据权利要求1所述的基于北斗授时的客户端子图修复方法，其特征在于，所述将所述中央生成器和所述鉴别器进行协同训练，通过训练后的所述中央生成器生成所述子图的第二缺失节点特征，包括：输入高斯白噪声至所述中央生成器，通过所述中...

【专利技术属性】
技术研发人员：刘雨轩，贺知明，黄章绅，苏小松，王致惠，朱家良，
申请(专利权)人：电子科技大学广东电子信息工程研究院，
类型：发明
国别省市：