申请/专利权人:电子科技大学
申请日:2024-02-06
公开(公告)日:2024-05-14
公开(公告)号:CN118036779A
主分类号:G06N20/20
分类号:G06N20/20;G06F7/58
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.31#实质审查的生效;2024.05.14#公开
摘要:本发明公开了一种异构数据下具有拜占庭鲁棒性的轻量级安全联邦学习方法,包括以下步骤:S1,构建全局模型的目标函数;S2,建立全局模型的安全协同计算的系统模型;S3,拟定多个用于系统模型的安全计算协议;S4,在安全计算协议下,利用系统实现用户安全计算本地梯度和双服务器协同计算梯度聚合,从而完成全局模型的协同训练。通过上述设计,本发明利用用户本地模型与全局模型的二范数作为本地目标函数的惩罚项,以约束本地梯度过于发散,提高在Non‑IID场景下恶意梯度和真实梯度的区分度。
主权项:1.一种异构数据下具有拜占庭鲁棒性的轻量级安全联邦学习方法,其特征在于,包括以下步骤:S1,构建全局模型的目标函数;S2,建立全局模型的安全协同计算的系统模型;S3,拟定多个用于系统模型的安全计算协议;S4,在安全计算协议下,利用系统实现用户安全计算本地梯度和双服务器协同计算梯度聚合,从而完成全局模型的协同训练。
全文数据:
权利要求:
百度查询: 电子科技大学 异构数据下具有拜占庭鲁棒性的轻量级安全联邦学习方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。