Page 84 - 《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 1525

风险感知动态聚合方法, 可以在保证训练稳定性的同时, 有效提升模型在复杂、不平衡数据环境下的欺诈检测能
力, 在仅增加线性计算开销的情况下带来显著性能增益.
4.7 超参数影响分析
对于本文方法在不同数据集上的性能评估, 我们通过网格搜索方式对关键超参数进行调优. 图 4(a) 展示了在
T-Finance 数据集上, 平衡因子 λ 对模型性能的影响. 实验结果表明, 当 λ 取值为 2 时, 模型性能达到最佳拐点, 说
明该值在平衡原型对比损失与交叉熵损失之间具有良好的协调作用. 图 4(b) 进一步分析了时间动态加权机制中
的超参数 α 与 β 对模型效果的影响, 结果显示, 当 α 设为 7、 β 设为 4 时, 模型在各项评估指标上均表现最优. 为了
保证模型在不同欺诈检测场景下的稳健性, 我们在 T-Social 与 Amazon 数据集上也采用了相同的参数搜索策略,
从而确保在不同数据分布条件下取得最优性能.

F1-macro (%) Recall (%)
86 80
5 5
95.0 84 78
6 82 6 76
92.5 α α 74
F1-macro 7 80 7
90.0 Recall 8 78 8 72
Performance (%) 87.5 AP 2 3 AUC (%) 5 2 3 AP (%) 5
70
AUC
4
4
β
β
85.0
82.5
80.0 5 95.4 5 81.5
95.2
81.0
6 6
77.5 α 95.0 α 80.5
7 94.8 7
94.6 80.0
0 2 4 6 8 10 8 94.4 8
λ 2 3 4 5 2 3 4 5
β β
(a) 参数 λ 对模型性能的影响 (b) 参数 α、β 对模型性能的影响
图 4 T-Finance 数据集上超参数对模型性能的影响

4.8 训练效率分析
为了回答问题 3, 本节针对 T-Finance 数据集和基准方法在收敛性能、训练时间和系统资源开销上进行了讨
论. 在收敛性能方面, 我们记录了各方法在通信轮次与模型 AP 值之间的变化关系, 如图 5 所示. 结果显示, 本文方
法与 MOON 和 Shapley 在训练初期均展现出较快的性能提升趋势, 其中 FedRPDA 在多样化风险平均聚合策略的
作用下, 不仅在早期实现了快速增益, 还在训练后期维持了较高的检测性能, 并最终实现稳定收敛. 为进一步比较训
练效率, 我们统计了各方法达到与 FedAvg 在 100 轮训练中所取得性能相当的 AP 值所需的通信轮次, 结果见表 5.

表 5 各方法收敛效率分析

85

方法 通信轮次 加速
80
FedAvg 100 1.0×
FedProx 73 1.4×
75
AP (%) 70 FedAvg FedProc 136 5.3×
19
MOON
FedProx
0.7×
MOON
Shapley Shapley 18 5.6×
65 FedSage+ FedSage+ 84 1.2×
FedProc
FedRPDA FGSSL － －
60
0 25 50 75 100 125 150 175 200 FedRPDA 11 9.1×
Round
图 5 不同通信轮次下各个方法的 AP 值比较