【技术实现步骤摘要】
一种公共审计的拜占庭鲁棒联邦学习系统及方法
[0001]本专利技术属于人工智能领域,尤其涉及一种公共审计的拜占庭鲁棒联邦学习系统及方法。
技术介绍
[0002]随着网络技术的发展,互联网产生了越来越多的数据。如何通过数据挖掘技术更好地利用这些数据,已成为一个迫切需要研究的课题。传统上来说,我们先收集数据,然后把数据放在服务器上集中训练。然而,这种方法有明显的缺点。数据所有者可能不愿意共享数据,或者用户可能因为网络带宽限制而无法及时有效地收集数据。例如,在智能医疗中,由于患者数据的敏感性,医院不能直接与第三方共享数据。
[0003]为了缓解这些问题,谷歌提出了联邦学习的概念,其主要思想是在聚合服务器的帮助下,由数据所有者在本地协作训练模型,而不共享原始数据。具体来说,在联邦学习中,有多个客户端,即数据所有者,和一个聚合服务器,即服务提供者。客户端拥有本地训练数据集,服务提供者允许客户端联合训练一个模型,即全局模型。由于它的潜在用途,许多公司使用它来开发实际应用程序。例如,谷歌为安卓键盘单词预测提出了一种联邦学习方法。
[0004]然而,最近的研究表明联邦学习面临拜占庭攻击的威胁。例如,恶意客户端可以通过毒害本地训练数据集或发送虚假的模型更新来破坏全局模型。被破坏的全局模型可以做出错误的预测,甚至可以预测对手选择的目标标签。或者,客户端可能只想通过参加联邦学习训练获得全局模型,而不想或不能提供其局部模型。由于上述问题,许多拜占庭鲁棒方法被提出。这些方法主要分为两类。第一类是利用统计学知识对每个客户端上传的 ...
【技术保护点】
【技术特征摘要】
1.一种公共审计的拜占庭鲁棒联邦学习系统,其特征在于,包括:多个联邦学习客户端、第三方审计服务器、聚合服务器;所述聚合服务器与多个联邦学习客户端依次连接;所述聚合服务器与所述第三方审计服务器连接;构建本次迭代优化中每个联邦学习客户端的初始化局部联邦学习模型、本次迭代优化中第三方审计服务器的初始化局部联邦学习模型;通过联邦学习梯度算法进行联邦学习模型训练得到本次迭代优化中每个联邦学习客户端的训练后联邦学习模型参数,以上传至聚合服务器、第三方审计服务器;结合联邦学习梯度算法进行联邦学习模型训练得到本次迭代优化中第三方审计服务器的训练后联邦学习模型参数更新向量,根据随机采样法更新本次迭代优化中每个联邦学习客户端的可信度评估值、规范化因子,并传输至聚合服务器;聚合服务器通过加权均值计算得到本次迭代优化中联邦学习全局模型参数向量,并作为下一次迭代优化中的联邦学习模型的初始化参数向量;迭代优化得到每个联邦学习客户端的迭代优化后联邦学习模型参数向量、第三方审计服务器的迭代优化后联邦学习模型参数向量、聚合服务器的迭代优化后联邦学习全局模型参数向量;根据迭代优化后联邦学习模型参数向量构建对应的迭代优化后联邦学习模型。2.一种利用权利要求1所述的公共审计的拜占庭鲁棒联邦学习系统进行公共审计的拜占庭鲁棒联邦学习方法,其特征在于,包括以下步骤:步骤1:构建本次迭代优化中每个联邦学习客户端的初始化局部联邦学习模型、本次迭代优化中第三方审计服务器的第三方审计服务器的初始化局部联邦学习模型;步骤2:每个联邦学习客户端采用本地数据集作为训练集,并结合联邦学习梯度算法进行联邦学习模型训练,得到本次迭代优化中每个联邦学习客户端的训练后联邦学习模型参数更新向量即梯度,并上传至聚合服务器,聚合服务器将本次迭代优化中每个联邦学习客户端的训练后联邦学习模型参数更新向量传输至第三方审计服务器;步骤3:第三方审计服务器采用多个未污染的样本构建训练集,结合联邦学习梯度算法进行联邦学习模型训练,得到本次迭代优化中第三方审计服务器的训练后联邦学习模型参数更新向量,根据随机采样法更新本次迭代优化中每个联邦学习客户端的可信度评估值、规范化因子,并传输至聚合服务器;步骤4:聚合服务器结合本次迭代优化中每个联邦学习客户端的训练后联邦学习模型更新向量、可信度评估值、规范化因子通过加权均值计算得到本次迭代优化中联邦学习全局模型参数向量,聚合服务器将联邦学习全局模型参数向量向作为下一次迭代优化中的联邦学习模型的初始化参数向量;步骤5:迭代优化执行步骤1至步骤4直至达到最大迭代优化次数,得到每个联邦学习客户端的迭代优化后联邦学习模型参数向量、第三方审计服务器的迭代优化后联邦学习模型参数向量、聚合服务器的迭代优化后联邦学习全局模型参数向量;步骤6:每个联邦学习客户端根据迭代优化后联邦学习模型参数向量构建对应的迭代优化后联邦学习模型。3.根据权利要求2所述的公共审计的拜占庭鲁棒联邦学习方法,其特征在于,步骤1所述构建本次迭代优化中每个联邦学习客户端的初始化局部联邦学习模型,具体如下:
聚合服务器向每个联邦学习客户端下发本次迭代优化中联邦学习模型的初始化参数向量,每个联邦学习客户端根据本次迭代优化中联邦学习模型的初始化参数向量构建...
【专利技术属性】
技术研发人员:吴黎兵,张壮壮,曹书琴,王敏,张瑞,
申请(专利权)人:武汉大学,
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。