同盾AI技术再获国家发明专利授权

近日，同盾科技人工智能研究院研发的“基于知识联邦和图网络的推理方法、系统、设备及介质”获得国家知识产权局颁发的发明专利授权。这也是继不久前“基于XGBoost的跨样本联邦学习”获得国家发明专利授权后，同盾AI技术在自主可控、安全可信的道路上再下一城。

该发明专利旨在解决在保护数据隐私安全前提下，将分布在不同机构与参与方中的图数据进行协作的问题。同盾人工智能研究院创新性提出联邦图协同解决方案及平台产品，如图1所示，各参与方可基于历史数据各自构建知识图谱，通过本地图神经网络抽象节点特征及图结构信息为低维向量，在多个参与方间进行交叉融合，协同进行如节点分类等目标任务。

图1：基于知识联邦和图网络的推理方法流程图

图是连接数据网络结构的一种常用表示形式。目前已被广泛应用在多个领域，如社会系统、生态系统、生物网络、金融交易网络、知识图谱和信息系统。伴随人工智能技术的不断渗透发展，图学习越来越受到行业各界的关注。图学习旨在通过使用各种图模型，从图特征数据以及关系结构中挖掘出有价值的信息，相比传统深度学习方法，图学习建模相对能利用更多的关系信息，从而得到更优的模型效果，同时更具有可解释性。

然而，当下业内的图学习方法主要是针对集中式学习场景设计的，即集中式图数据存储和集中式模型训练。在大多数行业中，图数据是以孤岛的形式存在，即分布在不同的组织或机构中。数据无法互联互通使得图数据难以聚合构建，从而无法实现基于图数据的知识共享协同。

例如说金融行业内会存在一个普遍现象，每家机构拥有其客户信息、交易网络和违约历史，而各机构又有一些共同客户，彼此间希望合作，对其客户进行全面的信用评估。如图2所示，以两家机构为例，在数据分布上，各机构拥有各自的图谱，机构客户在分布上有重叠，体现在有部分相同节点，节点特征、关系可以不同。为了对客户进行全面的信用评估，一个直观的方式是将所有图谱数据收集在一起，合并为一个大型图，然后将其提供给现有的图学习方法。但由于隐私安全和行业竞争关系，从分散的组织机构收集合并图数据几乎是不可能的。

图2：基于知识联邦和图网络的推理方法数据分布示意图（以两方为例）

同盾科技人工智能研究院提出的解决方案，可以在保护数据隐私安全基础上，利用多方图网络数据完成协同建模。在多种数据集上，进行图节点分类任务实验，联邦分类准确率都高于单个参与方，接近集中化图谱建模结果。

目前，同盾在人工智能领域已先后获得“基于人口迁移的疫情预测方法、装置、电子设备及介质”“面向行为分析的元知识联邦技术”“基于XGBoost的跨样本联邦学习、测试方法、系统、设备和介质”等多项与联邦学习技术相关的国家专利授权。未来，同盾将增强持续创新能力，强化对核心技术的攻关和基础知识的研究，力争在人工智能“专利库”中持续输出科技力量。

你可能还喜欢