一种联邦学习的数据隐私保护方法技术

本发明专利技术公开了一种联邦学习的数据隐私保护方法，包括自治和联合两个步骤，所述自治具体为：两个或两个以上的参与方在各自的终端安装初始化的模型，每个参与方拥有相同的模型，参与方各自使用当地的数据训练模型得到不同的模型参数；所述联合具体为：参与方将所述不同的模型参数同时上传到云端，由所述云端完成模型参数的聚合与更新，并且将更新好的参数返回到各参与方的终端，所述各参与方的终端开始下一次的迭代，重复以上的步骤，直到整个训练过程收敛。本发明专利技术实现了在数据不出本地的条件下进行联合建模，利用模型参数的交互代替数据的直接交换，既实现了数据的交互，又解决了数据的隐私和安全问题。

A data privacy protection method based on Federated learning

【技术实现步骤摘要】
一种联邦学习的数据隐私保护方法
本专利技术涉及计算机
，特别涉及一种联邦学习的数据隐私保护方法。
技术介绍
人工智能对于场景和数据的依赖性极大，优质的数据直接决定了模型的质量，但数据的获取却变得困难。这种困境主要在于两个方面：一方面，数据孤岛现象严重，大部分的数据掌握在政府、运营商、互联网企业等三大“数据岛屿群”中，数据的利用率低，成本高；另一方面，数据安全与用户隐私问题越来越受到人们的重视，数据监管愈发严格，数据互通愈发困难。
技术实现思路
为解决上述问题，本专利技术提供了一种联邦学习的数据隐私保护方法。本专利技术采用以下技术方案：一种联邦学习的数据隐私保护方法，包括自治和联合两个步骤，所述自治具体为：两个或两个以上的参与方在各自的终端安装初始化的模型，每个参与方拥有相同的模型，参与方各自使用当地的数据训练模型得到不同的模型参数；所述联合具体为：参与方将所述不同的模型参数同时上传到云端，由所述云端完成模型参数的聚合与更新，并且将更新好的参数返回到各参与方的终端，所述各参与方的终端开始下一次的迭代，重复本文档来自技高网...

【技术保护点】
1.一种联邦学习的数据隐私保护方法，其特征在于：包括自治和联合两个步骤，所述自治具体为：两个或两个以上的参与方在各自的终端安装初始化的模型，每个参与方拥有相同的模型，参与方各自使用当地的数据训练模型得到不同的模型参数；所述联合具体为：参与方将所述不同的模型参数同时上传到云端，由所述云端完成模型参数的聚合与更新，并且将更新好的参数返回到各参与方的终端，所述各参与方的终端开始下一次的迭代，重复以上的步骤，直到整个训练过程收敛。/n

【技术特征摘要】
1.一种联邦学习的数据隐私保护方法，其特征在于：包括自治和联合两个步骤，所述自治具体为：两个或两个以上的参与方在各自的终端安装初始化的模型，每个参与方拥有相同的模型，参与方各自使用当地的数据训练模型得到不同的模型参数；所述联合具体为：参与方将所述不同的模型参数同时上传到云端，由所述云端完成模型参数的聚合与更新，并且将更新好的参数返回到各参与方的终端，所述各参与方的终端开始下一次的迭代，重复以上的步骤，直到整个训练过程收敛。


2.如权利要求1所述的一种联邦学习的数据隐私保护方法，其特征在于：所述参与方采用企业A和企业B，所述云端采用协作者C。


3.如权利要求2所述的一种联邦学习的数据隐私保护方法，其特征在于：包括如下步骤：
S1、企业A和企业B接受来自协作者C发来的用于加...

【专利技术属性】
技术研发人员：吴炎泉，陈思恩，杨紫胜，廖雅哲，
申请(专利权)人：科技谷厦门信息技术有限公司，
类型：发明
国别省市：福建;35