申请/专利权人：西安电子科技大学杭州研究院;西安电子科技大学

申请日：2024-02-27

公开（公告）日：2024-06-18

公开（公告）号：CN118211638A

主分类号：G06N3/098

分类号：G06N3/098;G06N3/084;G06N3/045;H04L41/14;H04L41/16;H04L9/40

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：本发明涉及一种低隐私预算下的基于本地差分隐私机制的联邦学习方法，应用于联邦学习框架，联邦学习框架包括：一个中央服务器，K个边缘服务器和N个本地客户端，其中，K和N均为大于1的整数，K个边缘服务器用于管辖N个本地客户端，实现中央服务器与本地客户端之间的通信。该联邦学习方法，基于该联邦学习框架提出了一种低隐私预算情况下扰动方差较低的本地差分隐私机制，提高了联邦学习模型的精度。同时使用边缘服务器聚合部分本地客户端的模型权重，降低了中央服务器的通信开销。本地客户端使用参数洗牌机制对本地模型权重进行处理并上传至受管辖的边缘服务器，提高了方案的安全性并为客户端提供了匿名性保障。

主权项：1.一种低隐私预算下的基于本地差分隐私机制的联邦学习方法，其特征在于，应用于联邦学习框架，所述联邦学习框架包括：一个中央服务器，K个边缘服务器和N个本地客户端，其中，K和N均为大于1的整数，K个边缘服务器用于管辖N个本地客户端，实现所述中央服务器与所述本地客户端之间的通信；所述低隐私预算下的基于本地差分隐私机制的联邦学习方法，包括：步骤1：在所述中央服务器构建全局模型网络结构，在所述本地客户端构建本地模型网络结构，所述全局模型网络结构与所述本地模型网络结构的结构相同，利用本地客户端的隐私数据构建相应的数据集，所述数据集包括训练数据集和测试数据集；步骤2：所述中央服务器将当前的全局模型网络结构的全局模型权重发送至所述边缘服务器；步骤3：所述边缘服务器将接收的所述全局模型权重发送至其管辖范围内的所有本地客户端；步骤4：所述本地客户端根据接收的所述全局模型权重对所述本地模型网络结构进行参数更新，利用所述训练数据集对参数更新后的本地模型网络结构进行预设轮次的训练，得到训练后的本地模型；步骤5：所述本地客户端利用自适应本地差分隐私机制对训练后的本地模型的本地模型权重进行扰动，基于参数洗牌机制将扰动后的本地模型权重发送至对应受管辖的所述边缘服务器；步骤6：所述边缘服务器对接收的扰动后的本地模型权重进行初次聚合，得到第一聚合模型权重，将所述第一聚合模型权重发送至所述中央服务器；步骤7：所述中央服务器对收的所述第一聚合模型权重进行二次聚合，得到第二聚合模型权重，利用所述第二聚合模型权重对全局模型网络结构的全局模型权重进行更新后返回所述步骤2直至达到预设的学习终止条件，得到训练完成的全局模型。

全文数据：

权利要求：

百度查询： 西安电子科技大学杭州研究院;西安电子科技大学 低隐私预算下的基于本地差分隐私机制的联邦学习方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD