Page 78 - 《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 1519

3. if t > 1 then
4. 根据公式 (13)、公式 (14) 对欺诈节点通过变分扰动进行数据增强;
5. 根据公式 (15) 计算节点嵌入与 {P ,P } 的距离;
+
−
6. 根据公式 (16)、公式 (17) 计算原型对比损失 L P ;
7. else
L P = 0;
8.
9. 根据公式 (2)、公式 (3) 计算相对欺诈影响指数 H n ;
10. end if
11. L n = L CE +λL P ; // 计算总损失
w ← w −η∇L n ; // 更新模型参数
t
t
12. n n
13. end for
14. 根据公式 (7) 分别计算局部原型 {p , p };
+
−
n
n
t
+
15. Return w , p , p , H n ;
−
n n n
算法 2. 服务端的全局聚合过程.
t t t {H 1 ,H 2 ,...,H N }, 客户端
输入: 当前通信轮次 t, 客户端模型参数集合 {w ,w ,...,w }, 客户端相对欺诈影响指数集合
1
2
N
c
c
c
类别原型集合 {p , p ,..., p };
1 2 N
t+1 + −
输出: 全局模型参数 w , 全局原型 {P ,P }.
g
{ t N { } N N
}
1. 接收来自所有客户端的本地模型参数 w n n=1 、局部类别原型 p c n n=1 以及相对欺诈影响指数 {H n } n=1 ;
{H 1 ,H 2 ,...,H N } 根据公式
2. 利用 (6) 计算客户端的聚合权重 γ n ;
N ∑ γ n
t
3. 根据权重 γ n 更新全局模型参数 w t+1 ← ∑ N w ;
g
n
γ
n=1 n ′ =1 n ′
4. 根据公式 (8) 计算全局原型 {P ,P };
+
−
+
t+1
−
5. Return w , P , P ;
g
w , 由于尚未建立跨客户端共享的类别语义
0
在初始化阶段, 每个客户端接收服务端下发的全局模型初始参数 g
G n 执行
信息, 当前阶段不涉及原型对比相关操作. 因此在首轮本地训练过程中, 客户端仅基于本地的图结构数据
节点分类任务, 利用交叉熵损失 L CE 对局部模型参数进行更新. 在此阶段, 客户端评估图数据的结构性风险强度并
H n , 用于刻画客户端在全局欺诈建模中的潜在贡献度. 在随后的通信轮次中, 各个客户
结合节点的类别标签计算
+
t − P . 在这一训
端除了会接收到来自服务端返回的全局模型参数 w , 还会接收到全局正常类原型 P 和欺诈类原型
g
练过程中, 将采用多样化风险平均聚合策略对 minibatch 的欺诈节点特征进行变分扰动增强以缓解类别不平衡对
模型训练的不利影响, 并利用全局原型知识构建对比损失 L P 指导结构多样且分布稀疏的非典型欺诈节点在嵌入
空间中聚合至共性异常表示, 提升模型对这些样本的学习能力. 此时的训练目标函数由用于节点分类任务的交叉
熵损失和原型对比损失共同计算:

(18)
L n = L CE +λL P
其中, λ 为控制交叉熵损失与原型对比损失之间权重关系的平衡因子. 在每一轮本地训练结束后, 客户端会利用本
c t H n 一并上传到服
地节点数据计算局部类别原型 p , 并将其与更新后的局部模型参数 w 以及相对欺诈影响指数
n
n
务端.
N
在服务端聚合阶段, 服务器首先接收来自各客户端的上传信息. 根据客户端的相对欺诈影响指数集合 {H n } n=1 ,
γ n , 以实现在训练早期强化对高风
服务端通过带有时间衰减机制的动态权重映射函数计算每个客户端的聚合权重
险客户端的关注、训练后期逐步趋于权重平衡的动态聚合策略. 在此基础上, 服务端对客户端上传的模型参数执