Page 76 - 《软件学报》2026年第4期

杨家震 等: 面向欺诈检测的风险感知动态聚合图联邦学习 1517

H n 值的客户端通常包含
但在联邦学习的训练过程中, 客户端的重要程度并不是始终不变的. 训练初期, 具有较高
更多、更具代表性的欺诈节点, 其上传的局部模型能够提供丰富的异常模式信息. 此阶段放大这类客户端的聚合
权重, 有助于模型快速捕捉到典型欺诈模式, 从而提升整体泛化性能. 随着训练的推进, 局部模型的重要性会逐渐
被稀释, 这是因为模型在初始阶段已经通过对高 H n 值客户端的关注, 获得了较为全面的特征表示, 而后期的训练
更多是对已获得的知识进行微调, 在这种情况下, 继续强化个别客户端的贡献反而会干扰模型的稳定性.
为此, 我们设计了一种时间衰减机制的动态权重映射函数, 随通信轮次变化调整客户端聚合权重 γ n , 具体定义为:

1
γ n = (4)
1+e −τ(H n −0.5)
其中, 映射敏感度参数 τ 随通信轮数 t 增加而逐渐收敛, 其定义如下:

t
τ = αe − T +β (5)
其中, t 为当前客户端与服务端通信轮次, T 为总的通信轮次, α 和 β 为超参数, 用于控制初期权重差异的放大程度
及后期的平滑收敛趋势. 在训练初期, 较大的 τ 值使得权重函数对 H n 更为敏感, 强调高结构性风险强度客户端的
重要性. 随着通信轮次 t 的增加, τ 逐渐减小, 反映出模型对不同客户端的权重分配趋于平衡. 这样全局模型的聚合
过程可以表示为:

N ∑
γ n
w g = ∑ N w n (6)
γ
n=1 n ′ =1 n ′
通过上述典型风险动态聚合策略, 全局模型能够在训练初期优先整合具有高欺诈代表性的客户端模型, 有效
建立对典型欺诈模式的共性表征, 并随着训练深入逐渐平衡各客户端的影响力, 增强模型在多样环境下的稳定性
与泛化能力.
3.2 多样化风险平均聚合策略
由于不同客户端图数据在结构和分布上的高度异构性, 欺诈模式在全局范围内呈现出多样化的特性. 尽管通
过典型风险动态聚合策略可使模型优先聚焦于频发且具代表性的典型欺诈模式, 从而构建较强的全局表征能力,
但在面对数量较少且异常特征分布差异显著的非典型欺诈样本时, 模型的感知能力和识别性能仍受到显著制约.
这类异常样本由于数量较少且结构多样, 在数据集中不具备足够的代表性, 导致在训练过程中容易被主流模式所
淹没, 难以充分捕捉其特征表达. 为缓解这一问题, 我们提出多样化风险平均聚合策略, 通过引入全局原型引导的
对比学习机制, 提升模型对稀有异常样本的判别能力.
考虑到数据隐私约束, 服务端无法直接访问客户端的原始图数据, 因此我们先在客户端本地进行类别原型的
c
计算. 具体地, 对于第 n 个客户端, 其类别 c ∈ {+,−} (分别代表欺诈类别和正常类别) 对应的局部原型向量 p 定义如下:
n

1 ∑
c
p = h(v) (7)
n
c
n v∈V c
V
n

c
其中, V 表示客户端 n 中类别为 的节点集合, V 为对应的节点数量, h(·) 表示图神经网络的消息传递层, 通过聚

c
c
n n
合邻居节点的特征信息来更新自身嵌入表示. 局部模型训练结束之后, 各客户端将其计算所得的原型向量与模型
参数一同上传至服务端, 服务端依据客户端对应类别的节点数量进行加权聚合, 获得全局类别原型:

N ∑ c
V
n
c
P = p c (8)
∑
N c n
n=1 n ′ =1 V ′
n
+ P 分别为欺诈类别与正常类别的通用语义表示, 后续将其发送给每个客户端用于局部训
−
全局原型向量 P 与
练过程. 在全局原型知识的指导下, 客户端可通过对比学习机制增强对非典型欺诈样本的建模能力, 进一步优化其
在嵌入空间中的可分性. 然而, 我们注意到局部数据的极度不平衡导致欺诈样本在对比学习阶段受到强烈的类间
压制, 这不仅使得欺诈节点难以靠近其相应的类原型, 还导致其与正常节点的边界模糊化. 为了平衡类间的排斥强
度, 我们设计了基于变分扰动的欺诈类数据增强机制, 利用欺诈样本的局部特征分布生成虚拟样本. 具体而言, 在
每轮本地训练的 minibatch σ :
2
中, 统计该批次内欺诈节点的特征均值 µ n,b 及方差 n,b