【技术实现步骤摘要】
一种基于生成对抗图像变换的隐私保护联邦学习方法
[0001]本专利技术涉及联邦学习领域,尤其涉及一种基于生成对抗图像变换的隐私保护联邦学习方法。
技术介绍
[0002]联邦学习允许多个本地用户通过向服务器共享参数的方式联合训练全局模型,避免直接向服务器共享本地数据集中的原始数据,在一定程度上保护了本地用户数据蕴含的隐私信息。但是,现有的针对梯度的重构攻击方法通过分析作为共享参数的本地模型梯度,可以高质量地重构本地数据集中的原始数据,对本地用户数据隐私保护带来了极大的挑战。
[0003]有鉴于此,特提出本专利技术。
技术实现思路
[0004]本专利技术的目的是提出一种基于生成对抗图像变换的隐私保护联邦学习方法,能防止通过分析作为共享参数的本地模型梯度以重构本地数据集中的原始数据,保护本地用户数据隐私,从而解决现有技术中存在的技术问题。
[0005]本专利技术的目的是通过以下技术方案实现的:
[0006]一种基于生成对抗图像变换的隐私保护联邦学习方法,包括如下步骤:
[0007]步骤11,本地用户共享生成对抗图像变换模型和本地模型的网络结构并初始化两个模型的模型参数;
[0008]步骤12,本地用户基于本地数据集训练生成对抗图像变换模型,并使用训练完成的生成对抗图像变换模型将本地数据集中的原始图像变换为加密图像,同时保持加密图像的类别标签与原始图像的类别标签一致;
[0009]步骤13,本地用户基于加密图像和对应的加密图像类别标签训练本地模型,完成本地模型更 ...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗图像变换的隐私保护联邦学习方法,其特征在于,包括如下步骤:步骤11,本地用户共享生成对抗图像变换模型和本地模型的网络结构并初始化两个模型的模型参数;步骤12,本地用户基于本地数据集训练生成对抗图像变换模型,并使用训练完成的生成对抗图像变换模型将本地数据集中的原始图像变换为加密图像,同时保持加密图像的类别标签与原始图像的类别标签一致;步骤13,本地用户基于加密图像和对应的加密图像类别标签训练本地模型,完成本地模型更新,并将训练完成的本地模型加密梯度作为共享参数上传到服务器;步骤14,服务器聚合参与全局模型更新的本地用户上传的加密梯度,完成全局模型更新;步骤15,本地用户与服务器进行全局通信,从服务器下载更新的全局模型,并使用本地加密图像集合验证全局模型准确度是否大于预先设定的阈值,若是则执行步骤16,若否则重复执行步骤13和步骤14;步骤16,完成隐私保护联邦学习训练过程。2.根据权利要求1所述的一种基于生成对抗图像变换的隐私保护联邦学习方法,其特征在于,所述步骤11中,本地用户根据高斯分布初始化生成对抗图像变换模型和本地模型的模型参数。3.根据权利要求1或2所述的一种基于生成对抗图像变换的隐私保护联邦学习方法,其特征在于,所述步骤11中,生成对抗图像变换模型的网络结构包括:加密网络和判别网络;其中,所述加密网络包括依次连接的核尺寸为4的第一卷积层、第一批量归一化层、核尺寸为4的第二卷积层、第二批量归一化层、核尺寸为4的第三卷积层、第三批量归一化层、核尺寸为4的第四卷积层、第四批量归一化层、核尺寸为4的第一转置卷积层、第五批量归一化层、核尺寸为4的第二转置卷积层、第六批量归一化层、核尺寸为4的第三转置卷积层、第七批量归一化层、核尺寸为4的第四转置卷积层;所述第一批量归一化层、第二批量归一化层、第三批量归一化层、第四批量归一化层、第五批量归一化层、第六批量归一化层和第七批量归一化层后的激活函数均为ReLU函数;所述第四转置卷积层后的激活函数为Tanh函数;该加密网络的第一卷积层的输入为通道数目为3的32
×
32特征图,第四转置卷积层后有Tanh一路输出;所述判别网络包括依次连接的核尺寸为4的第一卷积层、第一批量归一化层、核尺寸为4的第二卷积层、第二批量归一化层、核尺寸为4的第三卷积层、第三批量归一化层、核尺寸为4的第四卷积层;所述第三批量归一化层后还连接全连接层;所述第一批量归一化层、第二批量归一化层和第三批量归一化层后的激活函数均为ReLU函数;所述第四卷积层后的激活函数为Sigmoid函数;该判别网络的第一卷积层输入为通道数目为3的32
×
32特征图,第四卷积层后有Sigmoid输出并且第三批量归一化层后有全连接层输出。
4.根据权利要求1或2所述的一种基于生成对抗图像变换的隐私保护联邦学习方法,其特征在于,所述步骤11中,本地模型的网络结构包括:依次连接的核尺寸为4的第一卷积层、第一批量归一化层、核尺寸为4的第二卷积层、第二批量归一化层、核尺寸为4的第三卷积层、第三批量归一化层和全连接层;所述第一批量归一化层、第二批量归一化层和第三批量归一化层后的激活函数均为ReLU函数;该本地模型的第一卷积层输入为通道数目为3的32
×
32特征图,第三批量归一化层后有全连接层一路输出。5.根据权利要求1或2所述的一种基于生成对抗图像变换的隐私保护联邦学习方法,其特征在于,所述步骤12中,本地用户按以下方式基于本地数据集训...
【专利技术属性】
技术研发人员:姚远志,马钰婷,刘小微,俞能海,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。