买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利基于GraphSMOTE的合成少数节点过采样图联邦学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116128041B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310167325.8，技术领域涉及：G06N3/08；该发明授权基于GraphSMOTE的合成少数节点过采样图联邦学习方法是由毕蓓;张志威;乔鹏鹏;袁野;王国仁设计研发完成，并于2023-02-23向国家知识产权局提交的专利申请。

本基于GraphSMOTE的合成少数节点过采样图联邦学习方法在说明书摘要公布了：本公开的基于GraphSMOTE的合成少数节点过采样图联邦学习方法，包括步骤一，客户向服务器上传上一轮迭代训练的模型参数；步骤二，服务器对各客户的模型参数做加权平均，将全局模型参数广播给各客户；步骤三，客户利用全局模型参数提取本地少数类节点的中间特征，寻找欧氏距离最近的节点对，引入随机噪声插值生成合成样本；步骤四，服务器收集并分发各客户的平均少数类节点表示与合成样本；步骤五，客户生成跨客户的合成样本，并为所有合成样本预测新边，加入本地数据集参与训练。本方法集中了联邦学习和图数据增强的优点，在保证数据隐私的前提下实现节点和边信息的全局流通，同时通过调节超参数赋予客户对合成样本总量的决定权，降低了通信成本。

本发明授权基于GraphSMOTE的合成少数节点过采样图联邦学习方法在权利要求书中公布了：1.一种基于GraphSMOTE的合成少数节点过采样图联邦学习方法，其特征在于该方法的步骤包括： 步骤一，各客户均上传各自训练完成的EmbeddingGNN模型参数和Decoder模型参数； 步骤二，服务器根据各客户的数据量对EmbeddingGNN模型参数和Decoder的模型参数分别做加权平均，得到加权平均结果全局EmbeddingGNN模型参数f和全局Decoder模型参数g，并广播给各客户； 步骤三，各客户中的任一客户i收到步骤二中广播的加权平均结果后，从本地数据中提取少数类节点的中间表示集合为，并选取本地距离最近的少数类节点对合成新样本集合，并将与上传至服务器，其中，为提取的少数类节点的中间表示集合的平均值； 步骤四，服务器收集并向客户分发其他客户的与； 步骤五，客户i分别计算与其他客户的少数类节点平均值,,...之间的距离，设与的距离最近，客户i对和做第二次最近邻节点合成，合成结果记为；M为客户的数量； 步骤六，客户将,...,添加到自己的训练数据集中，并利用Decoder模型预测新节点之间及连接到原图上的新边，并叠加到客户的原图邻接矩阵，产生一个增强图参与本地训练； 所述的步骤二中，全局EmbeddingGNN模型参数f的计算公式为：； 全局Decoder模型参数g的计算公式为：； 其中，和分别代表客户i的EmbeddingGNN模型参数和Decoder模型参数；，为本地数据集的节点数目； 所述的步骤三中，选取本地距离最近的少数类节点对合成新样本，具体方法如下： 31记集合中的任一少数类节点u的中间表示为，遍历本地其他的同类节点的中间表示，寻找u的最近邻节点；少数类节点v的中间表示为； 32对少数类节点u和u的最近邻节点进行插值合成新样本集合，新样本集合中的元素为，其中，ρ为0到1之间的随机噪声，新样本集合的类别与节点u相同； 所述的步骤五中，第二次最近邻节点合成过程，具体方法如下： 51客户i通过比较与其他客户的,,...之间的距离，锁定最近客户，其中表示的平均值； 52客户利用本地少数类样本和客户nc的合成少数类样本集合实现跨客户样本合成，对于中节点的中间表示，在中寻找与距离最近的节点 53添加一个0到1之间的随机噪声ρ’，则节点和节点nn合成的新样本集合中的元素表示为 所述的步骤六中，进行本地训练阶时通过损失函数和训练超参数的设置控制真实样本与合成样本的数据分布之间的差异； 其中，客户本地训练的损失函数不仅要包含分类的交叉熵损失，还包含一个惩罚项，使客户本地真实的少数类别样本和来自其他客户的生成样本的平均值之间的距离尽可能小； 所述的训练超参数中需要设置客户本地训练的轮数和批尺寸。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。