Page 85 - 《软件学报》2026年第4期

1526 软件学报 2026 年第 37 卷第 4 期

可以观察到, FedRPDA 仅需 11 轮通信即可达到相同性能, 相较于 FedAvg 显著加速了训练过程, 实现了约
9.1 倍的效率提升. 此外, 为量化模型的系统开销, 我们进一步对比了各方法在单轮训练过程中的资源消耗, 包括客
户端与服务端的内存占用以及计算时间复杂度, 相关结果如表 6 所示. 可以观察到, FedRPDA 在 FedAvg 的基础上
仅引入了线性级别的额外开销, 其计算成本远低于如 Shapley 等复杂度较高的策略. 上述结果表明, FedRPDA 在有
效提升检测性能的同时, 保持了较低的系统资源消耗与良好的扩展性, 具备较强的实际应用潜力.

表 6 各方法在单轮训练所引入的内存和时间开销对比

方法 客户端内存复杂度 服务端内存复杂度 客户端计算复杂度 服务端计算复杂度
( )
2
2
FedAvg O((b+k) f + f ) O N f 2 O(km f +nf ) O(N)
( )
2
2
2
FedProx O((b+k) f +ω f ) O N f 2 O(km f +nf + f ) O(N)
( )
2
MOON O((b+k) f + Q f ) O N f 2 O(km f +nf + Qn f) O(N)
2
2
2
2
2
FedProc O((b+k) f + f +c f) O(N f + Nc f) O(km f +nf +cf ) O(N)
2
2
2
Shapley O((b+k) f + f ) O(N! f ) O(km f +nf ) O(N!)
( )
2
FedSage+ O(L(n+ sg) f + f ) O LtN f 2 O(L((m+ sg) f +(n+ sg) f )) O(N)
2
( )
2
2
FGSSL O(Q(b+k) f + f ) O N f 2 O(Qkm f + Qn f ) O(N)
2
2
2
2
FedRPDA O((b+k) f + f +c f) O(N f + Nc f) O(km f +nf +cf +b f) O(N)
注: b 表示minibatch大小, 表示特征传播步数, n 表示节点数, m 表示边数, c 表示类别数, f 表示特征维度, N 表示客户端数量, ω
k
表示模型对齐损失项, Q 表示对比学习的查询集大小, s 表示增强的节点数, g 表示生成的邻居数, L 表示模型层数

5 总 结
本文重点关注图联邦学习中的欺诈检测问题, 探讨如何在保障数据隐私的前提下, 通过跨机构合作应对图数
据分布高度不平衡和机构间数据异构性带来的挑战, 特别是对多样化风险异常样本识别问题. 为此, 本文提出了一
种面向欺诈检测的风险感知动态聚合图联邦学习方法 FedRPDA. 该方法通过引入典型风险动态聚合策略和多样
化风险平均聚合策略, 实现对不同欺诈风险形态的协同建模, 前者在数据异构性的环境下增强模型对典型欺诈样
本的识别能力, 后者引导非典型欺诈样本在表征空间中向共性异常靠拢, 实现对复杂环境中多样化欺诈行为的有
效建模与识别. 在 3 个具有代表性的欺诈检测数据集上的实验结果表明, FedRPDA 相较于现有主流图联邦学习方
法在多项评估指标上均实现了性能提升, 特别是在数据分布极度不均衡和大规模场景下, 展现出更优越的异常识
别能力. 尽管 FedRPDA 在多个真实欺诈检测场景中表现出良好的鲁棒性和泛化能力, 但方法本身仍存在一定的
适用边界. 当前框架假设所有客户端均为诚实参与者, 未考虑潜在的投毒攻击等恶意行为, 在开放或不完全可信的
协作环境中可能对系统稳定性构成威胁; 此外, 当本地图数据存在严重标签缺失时, 基于结构性风险评估的动态聚
合策略会影响聚合效果. 未来工作可进一步结合鲁棒聚合机制与异常客户端检测策略, 提升方法在复杂协同环境
下的安全性, 同时进一步拓展至更广泛的图学习任务, 以增强方法的通用性与应用范围.
References
[1] Song LY, Ma ZY, Li ZH, Shang XQ. Review on temporal graph neural networks for financial risk prediction. Ruan Jian Xue Bao/Journal
of Software, 2024, 35(8): 3897–3922 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/7087.htm [doi: 10.13328/j.cnki.
jos.007087]
[2] Kurshan E, Shen HD. Graph computing for financial crime and fraud detection: Trends, challenges and outlook. Int’l Journal of Semantic
Computing, 2020, 14(4): 565–589. [doi: 10.1142/S1793351X20300022]
[3] Li PC, Li CT. TCGNN: Text-clustering graph neural networks for fake news detection on social media. In: Proc. of the 28th Pacific-Asia
Conf. on Knowledge Discovery and Data Mining. Taipei: Springer, 2024. 134–146. [doi: 10.1007/978-981-97-2266-2_11]
[4] Kumar S, Shah N. False information on web and social media: A survey. arXiv:1804.08559, 2018.
[5] Yin M, Qiao S, Chen W, Jiang JJ. Collective emotional stabilization method for social network rumor detection. Ruan Jian Xue