Page 205 - 《软件学报》2024年第4期

管泽礼 等: 基于强化联邦 GNN 的个性化公共安全突发事件检测 1783

3.2 实验设置
公共安全突发事件检测网络包含一个映射层、两层 GraphSage 和一个分类层. 在 GraphSage 的每一层中
的节点采样数为 5, batch 大小 32, 训练 epoch 设置为 80. 学习率分别为 0.001 和 0.000 1. 在 Python 中实现了
[8]
所有方法, 在具有 1 个 NVIDIA 3080 Ti GPU 的服务器上执行了所有实验. 本文将图神经网络 GCN , GAT [46]
[7]
和 GraphSage 分别用联邦学习方法 FedAvg [26] 和个性化联邦学习 FedProx [32] 进行联邦化, 构造联邦图神经网
络. GCN, GAT, GraphSage 设置参考 FedGraphNN [27] . 除了通过上述方法构造的 6 个基线算法方法以外, 还对
比了采用 minibatch 机制的 FedSage [57] 、采用元学习与自我监督技术的 GraphFL [53] 和去中心化的个性化联邦学
习方法 SpreadGNN [28] . 其中, GraphFL 的编码器采用了 GCN, SpreadGNN 的编码器为 GraphSage, 分类层采用
了一层神经网络. 基线算法的分类器设置参考 FedGraphNN, 学习率设置是在 0.1−0.0001 中选择最优的学习率
记录分类准确率 [57] 结果. 对客户端数量 n 设置为[3,5,10], 参与聚合的客户端比例 p c 设置为[1,0.8,0.5]. 在通信
优化实验中, 探索了被选中的客户端梯度量化的比例 p q 对通信量与模型效果的影响. 在消融实验中, 探索了
各组件的有效性.
3.3 对比实验
分别在 Weibo, Cora, Citeseer 和 MSAcademic 数据集上比较了 PPSED 方法与所有基线算法方法. 在不同
客户端数量 n 和不同参与聚合的客户端比例 p c 的设置下进行了大量的实验, 实验结果见表 2−表 5. PPSED 方
法在所有的数据集和不同的设置中都显著优于其他的方法, 这表明 PPSED 方法对于公共安全突发事件检测以
及图数据处理的效果是显著的, 在不同环境下都能保持稳定的高性能. GraphFL 和 SpreadGNN 的效果在所有
数据集上的性能均不突出, 与其他基于 GCN 和 GraphSage 的方法相比提升不明显, 无法有效地处理数据分布
的异质性. FedSage 方法的性能通常弱于 PPSED, 但仍优于其他方法. 这是因为 FedSage 同样采用了图采样与
minibatch 机制来训练本地模型, 具有一定的鲁棒性. 但是该方法的联邦过程没有根据各客户端梯度的重要性
来对梯度加权, 导致不重要的客户端对其他客户端进行干扰, 没有预先剔除冗余特征. 其他方法在客户端数
量和选择率变化时, 它们的性能波动更大. 这是由于它们对于非独立同分布(Non-IID)数据的处理能力较弱.
如图 2 所示, 其中, 图 2(a)是参与聚合的客户端比例 p c 设置为 1 的结果, 图 2(b)是 p c 设置为 0.8 的结果. 在这
些方法中, FedAvg+sage 与 FedProx+sage 的 GraphSage 虽然是全采样的, 但是结构的异质性对它影响也较小,
与基于 GCN 与 GAT 的方法相比较, 更能适应这种异质性. 当参与聚合的客户端比例下降时, 所有方法的性能
会下降. 然而, PPSED 的性能下降较少, 这表明本方法更能适应数据稀疏性的影响. 在所有数据集中, 随着客
户端数量的增加, 所有方法的性能会下降, 这是因为数据在被划分为多个客户端时会损失大量的边. PPSED
的性能下降幅度较小, 这表明本方法可以更好地处理这种结构上的损失.
表 2 在数据集 Weibo 上的准确率对比
p c=1 p c=0.8 p c=0.5
方法
n=3 n=5 n=10 n=3 n=5 n=10 n=3 n=5 n=10
FedAvg+GCN 0.468 9 0.459 0 0.430 8 0.467 6 0.437 2 0.421 5 0.397 5 0.484 3 0.500 6
FedAvg+GAT 0.506 1 0.503 4 0.456 1 0.507 0 0.471 8 0.555 4 0.496 5 0.535 7 0.561 4
FedAvg+sage 0.618 7 0.585 3 0.496 9 0.602 9 0.550 1 0.516 0 0.472 3 0.481 7 0.542 3
FedProx+GCN 0.471 2 0.433 8 0.424 1 0.469 2 0.429 8 0.403 2 0.410 5 0.504 4 0.524 9
FedProx+GAT 0.524 9 0.517 3 0.455 3 0.498 6 0.435 2 0.419 1 0.468 1 0.515 3 0.556 9
FedProx+sage 0.604 0 0.557 5 0.493 0 0.620 9 0.569 3 0.519 5 0.352 2 0.461 8 0.568 7
GraphFL 0.463 9 0.434 1 0.450 3 0.463 7 0.439 5 0.447 0 0.454 5 0.451 5 0.437 9
SpreadGNN 0.630 3 0.608 4 0.601 3 0.624 3 0.547 4 0.552 6 0.625 7 0.568 5 0.522 0
FedSage 0.700 0 0.680 0 0.643 8 0.677 1 0.650 1 0.624 2 0.625 0 0.612 5 0.598 9
PPSED 0.782 9 0.734 9 0.702 3 0.745 2 0.718 5 0.692 9 0.732 6 0.703 5 0.675 2