申请/专利权人：浙江工商大学;浙大城市学院;浙江大学

申请日：2023-12-20

公开（公告）日：2024-03-22

公开（公告）号：CN117749484A

主分类号：H04L9/40

分类号：H04L9/40;H04L9/08;G06N3/098

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明公开了一种面向资源受限设备且具有隐私保护的联邦组模型训练方法及系统，包括：基于设备的资源对参与联邦学习的所有设备进行分组，并根据任务模型对这些分组定制组模型，所述模型为深度学习模型；构建ReDe层，用于重映射用户上传的特征映射，确保服务器端组子模型的训练；利用知识蒸馏，从任务模型的预测中提取额外的训练信息加入到训练损失中来提升组模型的精度；设计补偿损失和漂移校正，减少非独立同分布的数据分布所带来的客户漂移影响；结合内积函数加密，保证参与者训练过程中的隐私安全。本发明让更多资源受限的设备能够参与联邦学习，同时保证了参与者的隐私安全，并且在非独立同分布的数据分布下仍有较高的预测准确性。

主权项：1.一种面向资源受限设备且具有隐私保护的联邦组模型训练方法，其特征在于，包括：S1、基于联邦学习参与设备的计算资源对所有的参与者进行分组；分组结束后，服务器以任务模型为参照，为所有的组定制适合该组计算资源的组模型；S2、将任务模型和所有组模型进行拆分，拆分后包含输入层的组子模型定义为提取层，所述提取层将下发给相应的参与者，拆分后包含分类器的组子模型定义为定制组子模型，存放在服务器；S3、服务器构建ReDe层，并结合定制组子模型将ReDe层和定制组子模型合并成集成模型；S4、可信机构通过安全参数为参与者生成主私钥集合和主公钥集合，主私钥集合由服务器保存，主公钥集合下发给每一个参与者；参与者收到主公钥集合后，使用其中一个主公钥加密特征映射并上传给服务器；服务器收到加密的参数后发送ReDe层的参数给可信机构获取解密私钥，得到私钥后对加密特征映射解密进行后续的集成模型训练；S5、服务器下发任务模型和当前参与者相关联的定制组子模型的预测结果给当前的参与者，参与者根据基本损失结合蒸馏损失和补偿损失进行模型更新；服务器端的定制组子模型根据任务模型的蒸馏损失来更新；最后，服务器计算漂移距离来判断是否下发定制组子模型参数给当前的参与者。

全文数据：

权利要求：

百度查询： 浙江工商大学;浙大城市学院;浙江大学 一种面向资源受限设备且具有隐私保护的联邦组模型训练方法及系统

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