一种基于隐私保护的个性化联邦学习方法技术

本发明专利技术涉及用户隐私保护技术领域，且公开了一种基于隐私保护的个性化联邦学习方法包括S1、建立模型；S2、选择模型；S3、模型加密；S4、建立隐私算法；S5、隐私风险分析；S6、建立使用者身份再验证；S7、训练并优化模型S8、部署模型。该基于隐私保护的个性化联邦学习方法，通过建立全局模型或全局模型集合，对全局模型加用户隐私保护用的噪声算法，对全局模型或全局模型集合中的用户数据添加噪声，添加噪声后，对其进行风险分析和验证，经过验证后的全局模型或全局模型合集对其进行部署，在部署之前，对使用者的身份进行再次验证，确保已认证用户的真实性，避免用户信息在上传时用户的隐私受到侵犯，导致用户信JIANLI息在模型上过程中遭受泄露。受泄露。受泄露。

【技术实现步骤摘要】
一种基于隐私保护的个性化联邦学习方法


[0001]本专利技术涉及用户隐私保护
，具体为一种基于隐私保护的个性化联邦学习方法。

技术介绍

[0002]随着人工智能技术的进步和智能设备的使用日益普及，联邦学习(Federated Learning)作为一种新型的机器学习方式逐渐引起人们的关注,如今,深度学习在学术界和工业界都受到很大的关注。由于深度学习相比传统算法性能得到大幅度提升,深度学习广泛应用于各个领域,例如机器翻译、图像识别、无人驾驶，自然语言处理等。深度学习正在改变我们人们生活方式。其成功依赖于功能强大的计算机和大量数据的可用性。然而,需要将所有数据输入运行在中央服务器上的学习模型的学习系统带来了严重的隐私问题,且随着物联网和边缘计算的兴起,大数据往往不会拘泥于单一的整体,而是分布在许多方面,如何安全且有效地实现模型在多个地点间的更新和共享,是各类计算方法所面临的新挑战。出于对数据隐私安全的考虑,数据拥有方无法将数据直接进行共享来实现共同训练深度学习模型。人们开始寻求一种方法,为了解决数据孤岛问题和用户隐私,联邦学习作为一种极具潜力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐私保护的个性化联邦学习方法，其特征在于：包括以下步骤：S1、建立模型；S2、选择模型；S3、模型加密；S4、建立隐私算法；S5、隐私风险分析；S6、建立使用者身份再验证；S7、训练并优化模型S8、部署模型；其中，建立模型还包括数据收集和特征建立；选择模型，基于已经建立的多个模型中选择一个适合与设备所使用的环境相符的模型；模型加密，基于选出的模型，并对其进行增加噪音对个人隐私保护；建立隐私算法，根据模型建立合适的算法，对参与上传的模型或模型集合进行加密；隐私风险分析，在模型或模型集合上传之前，对模型或模型集合加密的算法进行分析，确保模型或模型合集中的数据无法再次重建；建立使用者身份再验证，在联邦学习过程中，对参与者和使用的身份进行再验证，确保当前使用者具备操作权；训练并优化模型，对模型或模型集合进行反复测试，并对测试结果进行评价和优化。部署模型，将训练好的模型或模型合集应用到实际场景中。2.根据权利要求1所述的一种基于隐私保护的个性化联邦学习方法，其特征在于：所述建立模型包括数据收集和数据预处理，所述数据收集通过用户授权登录时收集可以用于建立模型的用户信息，所述数据预处理，对采集到的用于建立模型的用户信息进行预处理，对用户信息进行特征提取和数据转换，根据用户信息特征建立多个模型。3.根据权利要求2所述的一种基于隐私保护的个性化联邦学习方法，其特征在于：所述选择模型根据目标用户选择已经建立的多个模型中的一个或多个形成模型集合，并对选中的模型或模型集合添加保护用户隐私用的噪声算法。4.根据权利要求3所述的一种基于隐私保护的个性化联邦学习方法，其特征在于：所述噪声算法计算公式：其中，Zs为添加在模型或模型集合中的函数加上噪声最终值，指的是分布的噪声，表示均值为Jz，方差为的正态分布，Jz范围为0或接近0的值，根据所采集的用户数据集的特征选择Jz的数值，为噪声的标准差，f(Yh)为函数在用户数据集Yh上的原始值。5.根据权利要求3所述的一种基于隐私保护的个性化联邦学习方法，其特征在于...

【专利技术属性】
技术研发人员：许嘉杰，李林襁，陈超，范锦茜，代盈盈，杨子毅，柴欣，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：