一种面向设备资源异构的个性化联邦图学习方法

本发明公开了一种面向设备资源异构的个性化联邦图学习方法，旨在解决现有技术在图数据异构、设备资源适配及隐私保护方面的不足。该方法通过“本地预训练‑嵌入聚合‑个性化训练‑软标签协作‑分类器蒸馏”的闭环流程实现协同优化：各客户端基于本地图数据集预训练模型并生成中间层嵌入，经采样与隐私增强后上传至服务器；服务器聚合形成公共嵌入数据集分发至客户端，支撑蒸馏训练与软标签生成；软标签经过滤、加权聚合后形成全局软标签，客户端结合公共嵌入数据集与全局软标签完成分类器知识蒸馏，迭代优化模型性能。本发明在保障数据隐私的同时，显著提升模型泛化能力与资源利用效率，适用于社交网络等多场景的分布式图数据训练任务。