一种基于声誉和利息的联邦学习公平性激励方法及系统技术方案

本发明专利技术公开了一种基于声誉和利息的联邦学习公平性激励方法及系统，系统包括本地模型、声誉系统、中心服务器以及全局模型，所述本地模型通过声誉系统与所述中心服务器控制连接，良好的本地模型经过所述中心服务器多次训练迭代后形成所述全局模型；联邦系统可通过商业活动将所述全局模型与外部交互产生商业化利润，其中一部分利润用于补偿给信誉良好的数据所有者，另一部分利润在中心服务器临时存储；当联邦系统训练结束时，所述中心服务器会将暂时存储的收益返还给信誉良好的参与方，而声誉异常的参与方将不获得利润偿还。本发明专利技术合理、公平且具有奖惩措施激励。公平且具有奖惩措施激励。公平且具有奖惩措施激励。

【技术实现步骤摘要】
一种基于声誉和利息的联邦学习公平性激励方法及系统


[0001]本专利技术涉及联邦学习
，特别是涉及一种基于声誉和利息的联邦学习公平性激励方法及系统。

技术介绍

[0002]传统机器学习是通过终端直接通信完成传输，联邦学习则是通过数据模型聚合迭代确保信息交互的安全。联邦学习公平性研究和联邦学习激励分配是联邦学习技术的两个研究方向，前者主要通过“反对歧视、传递公平”的思想确保参与联邦系统的各数据所有方都得到较为满意的结果，后者主要是联邦系统和外界系统商业化交易产生利益，此部分利益可用于激励联邦系统中各数据所有方，以使数据所有方在联邦系统次轮聚合时向中心服务器提供更高权重的模型。
[0003]联邦学习公平性研究的框架主要包括FedAvg、q
‑
FFL和CFFL。其中，FedAvg是通过平均分配的方式使各个数据所有方获取到相同的模型；q
‑
FFL是通过调整贡献差的参与方权重来减少准确度分布的方差，从而使系统整体更加公平准确；CFFL则通过设置声誉参数使贡献更多的参与方获得更多模型，从而体现联邦系统框架对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声誉和利息的联邦学习公平性激励方法，包括如下具体步骤：步骤1，参与方通过收集n个标识企业的数据将本地数据训练成模型；步骤2，参与方将训练好的模型上传，通过声誉系统的阈值检测，如果声誉数值小于声誉阈值，则联邦系统消除异常声誉的参与方，如果声誉良好则通过检测；声誉系统根据参与方每轮的贡献程度决定其应得的收益数值；根据梯度相似度公式：cos(u,v)＝<u,v>/(||u||
×
||v||)其中，u表示局部梯度，v表示全局梯度，cos(u,v)表示剃度相似度；参与方局部权值和中心权值贡献相似度可表示为：其中，表示第t轮第i个参与方上传的梯度，Δw
(t)
表示第t时联邦中心的全局梯度，α
i(t)
表示第t轮第i个参与方的贡献度；假设当前轮临时声誉和贡献度α存在正向关系则即第t轮时第i个参与方的临时声誉可以表示为当前轮实际声誉可由历史声誉和本轮临时声誉可以表示为：其中β是可设置的权重系数，r
i(t
‑
1)
表示前一轮声誉数值，表示本当前轮临时声誉；步骤3:通过声誉和贡献度间联系分配参与方激励；奖惩措施确立系统中良好参与方的奖励和不良参与方的惩罚，可通过Pear...

【专利技术属性】
技术研发人员：张健毅，王文鑫，金琪超，黎振奎，吴睿龙，
申请(专利权)人：北京电子科技学院，
类型：发明
国别省市：