买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中山大学

摘要：本发明涉及一种隐私保护下的去中心化数据建模方法。包括：S1.初始化与本地模型训练：从服务器处获取模型，参与方利用本地数据输入模型进行训练，进而得到本地的模型参数；S2.模型参数加密发送与回传：参与方在本地完成模型参数加密后进行参数发送，服务器将聚合后的模型参数返还给参与方，各参与方用新的模型参数基于全同态加密运算和本地数据，开始新一轮的训练；S3.迭代停止：重复上述步骤直到全局模型参数[W]收敛。本发明解决了当前机器学习领域存在的数据孤岛和隐私泄露等问题；充分发挥各参与方数据的优势，降低数据中心化存储的风险，降低参与方数据隐私泄露的可能性，提升多方机器学习的安全性。

主权项：1.一种联邦学习下去中心化数据建模的隐私保护方法，其特征在于，包括以下步骤：S1.初始化与本地模型训练：从服务器处获取模型，参与方利用本地数据输入模型进行训练，进而得到本地的模型参数；所述的步骤S1具体包括：S11.服务器S向参与方发送初始模型W0，每个参与方都有一个本地数据集，数据集的样本数量为Ni，i是参与方的序号；S12.每个参与方用本地数据集进行模型训练；S13.t时刻的模型用梯度下降法对反向传播算法进行优化，并计算本地数据集的平均梯度每个参与方用其本地学习率η和平均梯度进行模型更新；因此参与方Pi在t+1时刻的本地模型参数为S14.参与方利用其本地数据集不断进行训练，直至达到子模型的评价指标时，停止训练，得到最终的本地模型参数Wi；S2.模型参数加密发送与回传：参与方在本地完成模型参数加密后进行参数发送，服务器将聚合后的模型参数返还给参与方，各参与方用新的模型参数基于全同态加密运算和本地数据，开始新一轮的训练；所述的步骤S2具体包括：S21.各参与方将本地模型参数Wi进行全同态加密生成[Wi]并发送给服务器；S22.服务器接收到各参与方的加密模型后，在不解密的情况下进行参数聚合[W]＝[W1]+[W2]+…+[Wi]，得到加密后的全局模型参数[W]；S23.服务器将聚合后的全局模型参数[W]回传给各个参与方；S24.各参与方用新的模型参数基于全同态加密运算和本地数据，开始新一轮的训练；S3.迭代停止：重复步骤S1、S2直到全局模型参数[W]收敛。

全文数据：

权利要求：

百度查询： 中山大学 一种联邦学习下去中心化数据建模的隐私保护方法及系统