一种基于聚类的图联邦学习的用户位置预测框架

摘要

本发明提供一种基于聚类的图联邦学习的用户位置预测框架，包括如下步骤：S1.用户在本地使用序列预测模型进行训练；S2.用户将模型参数及原始序列数据经过编码器之后的隐含状态上传至服务器；S3.利用隐含状态学习相似图结构；S4.通过图卷积神经网络获得用户的嵌入表示；S5.通过聚类方法将用户分为多个簇，每个簇中的用户执行联邦平均算法；S6.将嵌入表示和平均后的模型参数下载到相应用户，各个用户将隐含状态和嵌入表示进行拼接，之后输出预测结果，并对服务器模型参数进行更新。其优点在于，联邦学习保护了数据隐私；图卷积网络解决标签稀缺所带来的的训练成本不足的问题；图聚类算法使更相似的用户执行联邦平均算法从而解决用户间异构性的问题。