申请/专利权人：之江实验室;广州大学

申请日：2021-03-18

公开（公告）日：2024-03-19

公开（公告）号：CN112926088B

主分类号：G06F21/62

分类号：G06F21/62;G06N20/00;G06N5/04

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.06.25#实质审查的生效;2021.06.08#公开

摘要：本发明公开了一种基于博弈论的联邦学习隐私策略选择方法，该方法包括：服务器为参与方提供具有不同服务成本的阈值，参与方根据是否满足服务质量、隐私泄露代价等来选择最佳阈值，并由服务器在下一次迭代训练中更新服务成本；服务器通过多次迭代来获得最优的模型参数，以此保持模型长期稳定的服务状态，并提供给参与方。该方法有效避免了参与方“搭便车”等恶意行为，使得服务器可以最大限度地得到服务费用，参与方可以获得长期的优质服务。

主权项：1.一种基于博弈论的联邦学习隐私策略选择方法，其特征在于，该方法包括：服务器为参与方提供具有不同服务成本的模型质量的权衡参数λMQ与隐私强度的权衡参数λPI的比值λMQλPI，参与方根据是否满足服务质量、隐私泄露代价来选择最佳阈值，并用自身数据集训练模型，并把选择的阈值和训练更新的模型参数发给服务器；服务器收集各个参与方的模型参数进一步训练模型，获得优化的模型参数，并更新服务阈值λMQλPI和服务成本后再发给参与方，以此服务器保持模型长期稳定的服务状态提供给参与方；在每次迭代中，服务器计算各个参与方的效用utilityi，以及所有参与方的效用平均值utility，utility＝∑utilityiN；当一位参与方的效用utilityi大于等于总体参与方的效用平均值utility时，下一次迭代时不更改自身策略；否则，下一次迭代时参与方重新选择阈值λMQλPI；当参与方采用低质量的数据训练模型时，得不到奖励，即奖励为0，当参与方采用低质量的数据训练模型时，会得到奖励，奖励如下： 其中，x为演化博弈的迭代次数，b为服务器奖励给参与方的收益，qosρ,r＝1-1-ρr为模型全局服务质量贡献度函数，ρ为全局服务质量贡献度，rx为在第x次迭代中选择高质量阈值的参与方数量，rfix为每一轮新训练中过时数据的价值，qosexpect为全局服务质量的期望值，p为隐私泄露发生时的价值损失，pdrσ，r为参与方隐私的贡献函数，σ为参与方隐私贡献度，Z为参与方选择高质量阈值的概率，N为参与方总数；服务器通过调节奖励的预算b，使得整个演化博弈模型最终稳定在一个概率Z；该概率Z是指在训练更新模型的过程中，寻找到参与方选择高质量阈值的概率，来保证模型的长期服务质量；通过多轮迭代，最终整个服务训练的参与者有Z的概率选择高质量数据训练模型，1-Z的概率选择低质量数据训练模型，Z的计算方法如下：Z＝utilityutilityi。

全文数据：

权利要求：

百度查询： 之江实验室;广州大学 一种基于博弈论的联邦学习隐私策略选择方法

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