一种面向跨域社交网络节点分类任务的公平联邦学习方法

本发明涉及一种面向跨域社交网络节点分类任务的公平联邦学习方法，每个客户端拥有一个子图，子图中包含若干节点，其中一部分带有标签，每个客户端通过训练一个图神经网络来预测其余未知的节点标签，通过不断迭代客户端本地模型训练和服务器参数聚合两个步骤，训练得到最优全局模型并分发给客户端使用，其中，客户端本地模型训练中，客户端利用本地掌握的子图数据进行图神经网络参数的更新，同时，基于纳什议价解构建本地优化目标函数，并引入类别平衡重加权损失函数优化本地模型。与现有技术相比，本发明能够缓解不同客户端子图特征的异构分布引发的联邦学习模型在不同客户端上的不公平表现，在保证平均性能的同时有效提升了模型的公平性指标。
上海交通大学 | 中国电子科技集团公司第三十研究所
林夕 | 毛庆华 | 徐寒松 | 李高磊 | 陈黎兴 | 赵越