Page 196 - 《软件学报》2024年第4期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
Journal of Software,2024,35(4):1774−1789 [doi: 10.13328/j.cnki.jos.007019] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

∗
基于强化联邦 GNN 的个性化公共安全突发事件检测

1
1
2
1
1
1
管泽礼 , 杜军平 , 薛 哲 , 王沛文 , 潘圳辉 , 王晓阳
1 (智能通信软件与多媒体北京市重点实验室(北京邮电大学), 北京 100876)
2 (复旦大学 计算机科学技术学院, 上海 201203)
通信作者: 杜军平, E-mail: junpingdu@126.com

摘 要: 近年来, 将公共安全数据转换为图的形式, 通过图神经网络(GNN)构造节点表示应用于下游任务的方法,
充分利用了公共安全数据的实体与关联信息, 取得了较好的效果. 为了提高模型的有效性, 需要大量的高质量数
据, 但是高质量的数据通常归属于政府、公司和组织, 很难通过数据集中的方式使模型学习到有效的事件检测模
型.由于各数据拥有方的关注主题与收集时间不同, 数据之间存在 Non-IID 的问题. 传统的假设一个全局模型可以
适合所有客户端的方法难以解决此类问题. 提出了基于强化联邦图神经网络的个性化公共安全突发事件检测方法
PPSED, 各客户端采用多方协作的方式训练个性化的模型来解决本地的突发事件检测任务. 设计了联邦公共安全
突发事件检测模型的本地训练与梯度量化模块, 采用基于图采样的 minibatch 机制的 GraphSage 构造公共安全突发
事件检测本地模型, 以减小数据 Non-IID 的影响, 采用梯度量化方法减小梯度通信的消耗. 设计了基于随机图嵌
入的客户端状态感知模块, 在保护隐私的同时, 更好地保留客户端模型有价值的梯度信息. 设计了强化联邦图神
经网络的个性化梯度聚合与量化策略, 采用 DDPG 拟合个性化联邦学习梯度聚合加权策略, 并根据权重决定是否
对梯度进行量化, 对模型的性能与通信压力进行平衡. 通过在微博平台收集的公共安全数据集和 3 个公开的图数
据集进行了大量的实验, 实验结果表明了所提方法的有效性.
关键词: 联邦学习; 图神经网络(GNN); 公共安全; 突发事件检测
中图法分类号: TP18

中文引用格式: 管泽礼, 杜军平, 薛哲, 王沛文, 潘圳辉, 王晓阳. 基于强化联邦 GNN 的个性化公共安全突发事件检测. 软
件学报, 2024, 35(4): 1774–1789. http://www.jos.org.cn/1000-9825/7019.htm
英文引用格式: Guan ZL, Du JP, Xue Z, Wang PW, Pan ZH, Wang XY. Personalized Public Safety Event Detection Based on
Reinforcement Federated GNN. Ruan Jian Xue Bao/ Journal of Software, 2024, 35(4): 1774−1789 (in Chinese). http://www.jos.org.
cn/1000-9825/7019.htm

Personalized Public Safety Event Detection Based on Reinforcement Federated GNN

1
1
1
1
2
1
GUAN Ze-Li , DU Jun-Ping , XUE Zhe , WANG Pei-Wen , PAN Zhen-Hui , WANG Xiao-Yang
1 (Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia (Beijing University of Posts and
Telecommunications), Beijing 100876, China)
2 (School of Computer Science, Fudan University, Shanghai 201203, China)
Abstract: In recent years, the method of transforming public safety data into graph form and constructing node representations through
graph neural networks for training and inference of downstream tasks has fully exploited the entity and association information of public
safety data, achieving excellent results. Nevertheless, to enhance the effectiveness of the model, a large amount of high-quality data is
needed, which is usually held by governments, companies, and organizations, making it difficult to learn an effective event detection

∗ 基金项目: 国家自然科学基金(62192784, U22B2038, 62172056, 62272058)
本文由“绿色低碳机器学习研究与应用”专题特约编辑封举富教授、俞扬教授、刘淇教授推荐.
收稿时间: 2023-05-15; 修改时间: 2023-07-07; 采用时间: 2023-08-24; jos 在线出版时间: 2023-09-11
CNKI 网络首发时间: 2023-11-24