申请/专利权人:暨南大学
申请日:2022-12-22
公开(公告)日:2023-01-24
公开(公告)号:CN115640305A
主分类号:G06F16/23
分类号:G06F16/23;G06N20/00;G06Q20/38;G06F21/64;H04L9/32
优先权:
专利状态码:有效-授权
法律状态:2023.09.29#授权;2023.02.14#实质审查的生效;2023.01.24#公开
摘要:本发明公开一种基于区块链的公平可信联邦学习方法,包括:模型需求者在区块链上发布训练任务及交易合约传递任务,客户端对全局模型进行训练,生成局部模型参数,将局部模型参数加密传输给区块链上的对应矿工;对应矿工传播并验证加密后的局部模型参数,对应矿工将验证通过后的局部模型参数进行聚合,根据聚合结果更新全局模型并基于更新结果生成新区块,并将新区块进行广播;所有矿工对新区块进行验证并达成共识;激励合约基于共识结果,计算客户端的贡献并生成最新全局模型;重复S2‑S6直到满足训练结束条件,得到优化模型。交易合约将优化全局模型传给模型需求者。
主权项:1.一种基于区块链的公平可信联邦学习方法,其特征在于,包括:S1.模型需求者在区块链上发布训练任务及交易合约传递任务,其中交易合约包括初始全局模型及训练结束条件;S2.客户端对全局模型进行训练,生成局部模型参数,将局部模型参数加密传输给区块链上的对应矿工,其中所述全局模型包括初始全局模型及最新全局模型,其中初始训练针对初始全局模型,后续训练针对对应最新全局模型;S3.对应矿工传播并验证加密后的局部模型参数,S4.对应矿工将验证通过后的局部模型参数进行聚合,根据聚合结果更新对应的全局模型并基于更新结果生成新区块,并将新区块进行广播;S5.所有矿工对新区块进行验证并达成共识;S6.激励合约基于共识结果,计算客户端的贡献并生成最新全局模型;S7.重复S2-S6直到满足训练结束条件,得到优化模型;S8.交易合约将优化模型传给模型需求者以实现初始全局模型的公平优化。
全文数据:
权利要求:
百度查询: 暨南大学 一种基于区块链的公平可信联邦学习方法
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。