申请/专利权人：北京电子科技学院

申请日：2024-03-13

公开（公告）日：2024-04-12

公开（公告）号：CN117874829A

主分类号：G06F21/62

分类号：G06F21/62;G06N3/084;G06N3/098

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明提供了一种基于自适应差分隐私的联邦学习方法，涉及联邦学习技术领域，该联邦学习方法包括：服务器获取初始全局模型，将初始全局模型发送至各个客户端；各客户端获取对应的本地数据集，通过本地数据集对初始全局模型进行模型训练得到初始本地模型；客户端根据调整系数和评分函数结果得到目标隐私预算，通过缩放因子、目标隐私预算和初始本地模型得到更新后加噪本地模型，将更新后加噪本地模型发送至服务器；服务器对所有更新后加噪本地模型进行联邦平均聚合操作，并根据联邦平均聚合操作结果更新初始全局模型得到目标全局模型，迭代更新目标全局模型直至目标全局模型收敛。本发明实现了在满足安全性的同时保证模型的准确率。

主权项：1.一种基于自适应差分隐私的联邦学习方法，其特征在于，包括：服务器获取初始全局模型，将所述初始全局模型发送至各个客户端；各所述客户端获取对应的本地数据集，通过所述本地数据集对所述初始全局模型进行模型训练得到初始本地模型；所述客户端根据所述初始本地模型和所述初始全局模型得到调整系数、评分函数结果和缩放因子，根据所述调整系数和所述评分函数结果得到目标隐私预算，通过所述缩放因子、所述目标隐私预算和所述初始本地模型得到更新后加噪本地模型，将所述更新后加噪本地模型发送至所述服务器；所述服务器对所有所述更新后加噪本地模型进行联邦平均聚合操作，并根据所述联邦平均聚合操作结果更新所述初始全局模型得到目标全局模型，将所述目标全局模型发送至各个所述客户端，迭代更新所述目标全局模型直至所述目标全局模型收敛。

全文数据：

权利要求：

百度查询： 北京电子科技学院 基于自适应差分隐私的联邦学习方法

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。

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