申请/专利权人：武汉大学

申请日：2024-01-04

公开（公告）日：2024-04-16

公开（公告）号：CN117892322A

主分类号：G06F21/60

分类号：G06F21/60;G06F21/62;G06F18/22;G06F18/23213;G06N20/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种基于同态加密的跨孤岛异构联邦学习系统构建方法及设备；客户端本地训练后，打包并在包粒度稀疏化本地模型，同态加密稀疏化后的包数据，发送密文和掩码给参数服务器；参数服务器根据客户端密文权重进行聚合，将聚合的密文全局模型和掩码发送给客户端；客户端解密全局密文并解包，获得全局模型，并更新本地模型；客户端计算并返回本地模型的草图；通过对草图进行聚类，从每一类中选择速度最快的客户端作为下一轮训练的参与者，并根据草图计算贡献度，得出下一轮的聚合权重；将训练结束后的本地模型应用于跨孤岛异构联邦学习系统。本发明能够在隐私保护的前提下，提高同态加密的效率，同时抵抗滞后者对模型同步带来的负面影响。

主权项：1.一种基于同态加密的跨孤岛异构联邦学习系统构建方法，其特征在于：所述跨孤岛异构联邦学习系统，其客户端本地模型通过训练获得；训练过程具体包括以下步骤：步骤1：在客户端本地模型每轮训练开始时，每个客户端多次训练并更新本地模型；步骤2：客户端展开并打包自己的本地模型，并在包粒度执行稀疏化，加密稀疏化后的包数据，发送密文和掩码给参数服务器用于聚合；步骤3：参数服务器对于收到的密文本地模型以及对应的密文权重进行聚合，将加密的全局模型和对应的掩码发送给客户端；步骤4：客户端解密全局的密文并解包，获得全局模型，并更新自己的本地模型；步骤5：客户端计算并发送自己本地模型的草图给参数服务器；步骤6：通过对草图进行聚类，从每一类中选择速度最快的客户端，实现从所有的客户端中选择一个子集合作为下一轮训练的参与者，并根据草图计算贡献度，得出下一轮的聚合权重；步骤7：当达到预设条件后，训练结束，获得训练好的客户端本地模型，应用于跨孤岛异构联邦学习系统中。

全文数据：

权利要求：

百度查询： 武汉大学 基于同态加密的跨孤岛异构联邦学习系统构建方法及设备

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