申请/专利权人：中国科学院自动化研究所

申请日：2021-12-06

公开（公告）日：2022-03-08

公开（公告）号：CN113902131B

主分类号：G06N20/00(20190101)

分类号：G06N20/00(20190101);G06V10/774(20220101);G06K9/62(20220101)

优先权：

专利状态码：有效-授权

法律状态：2022.03.08#授权;2022.01.25#实质审查的生效;2022.01.07#公开

摘要：本公开涉及一种抵抗联邦学习中歧视传播的节点模型的更新方法，上述方法包括：获取数据节点对应的节点模型；计算数据节点的训练数据对应的类别特征分布均值和数量比率，根据节点模型、类别特征分布均值和数量比率，计算分布加权聚合模型；根据节点模型和分布加权聚合模型计算数据节点对应的正则化项；计算数据节点对应的类别特征分布方差，根据类别特征分布均值和类别特征分布方差，使用跨域特征生成器计算数据节点所需的特征分布层面对应的类别均衡补充项；根据分布加权聚合模型、正则化项和类别均衡补充项更新节点模型。采用上述技术手段，解决现有技术中，缺少解决联邦学习中歧视传播的方案的问题。

主权项：1.一种抵抗联邦学习中歧视传播的节点模型的更新方法，其特征在于，包括：获取数据节点对应的节点模型；计算所述数据节点的训练数据对应的类别特征分布均值和数量比率，根据所述节点模型、所述类别特征分布均值和所述数量比率，计算分布加权聚合模型；根据所述节点模型和所述分布加权聚合模型计算所述数据节点对应的正则化项；计算所述数据节点对应的类别特征分布方差，根据所述类别特征分布均值和所述类别特征分布方差，使用跨域特征生成器计算所述数据节点所需的特征分布层面对应的类别均衡补充项；根据所述分布加权聚合模型、所述正则化项和所述类别均衡补充项更新所述节点模型，其中，根据所述节点模型、所述类别特征分布均值和所述数量比率，计算分布加权聚合模型，包括：根据所述类别特征分布均值和所述数量比率计算所述数据节点与其他数据节点之间对应的分布相似度距离；从多个数据节点对应的多个节点模型中，选出第一预设数量的节点模型，根据所述分布相似度距离和所述第一预设数量的节点模型，计算分布加权聚合模型，根据所述节点模型和所述分布加权聚合模型计算所述数据节点对应的正则化项，包括：通过如下公式计算第i个数据节点对应的在第t+1次更新中的正则化项： 其中，为第i个数据节点对应的分布加权聚合模型，为第i个数据节点对应的第t+1次更新中的节点模型，为第i个数据节点对应的第t次更新中的节点模型，||||表示求二范数运算，根据所述类别特征分布均值和所述类别特征分布方差，使用跨域特征生成器计算所述数据节点对应的类别均衡补充项，包括：通过如下公式计算第i个数据节点对应的所述类别均衡补充项： 其中，z为除第i个数据节点之外的其他数据节点的输入向量的特征向量，y为除第i个数据节点之外的其他数据节点的输出向量，li为第i个数据节点的节点模型对应的损失函数，为第i个数据节点的关于输出向量y的类别特征分布均值，为第i个数据节点的关于输出向量y的类别特征分布方差，K为第一预设数量，第i个节点模型的预测模块fP对应的模型参数为，fP分别为所述节点模型的预测模块fP对应的函数，表示y满足分布，表示Z满足分布，N为正态分布，E[]表示数据点样本服从真实分布时的实际均值，Ê表示根据部分数据点样本计算得到的估计均值，ε是所述跨域特征生成器的参数，数据点样本包括：特征向量z和输出向量y。

全文数据：

权利要求：

百度查询： 中国科学院自动化研究所 抵抗联邦学习中歧视传播的节点模型的更新方法

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