【技术实现步骤摘要】
个性化联邦学习的区块链增强循环蒸馏引导信道解耦框架
[0001]本专利技术涉及联邦学习框架
,尤其涉及一种个性化联邦学习的区块链增强循环蒸馏引导信道解耦框架。
技术介绍
[0002]联邦学习(FL)是一种机器学习框架,近年来取得了显著进展。联邦学习通过许多客户在中央服务器的协调下协作训练一个模型,同时保持训练数据的分散,即它可以在产生数据的设备上进行大规模的训练,并且这些敏感数据保留在数据的所有者那里,本地收集、本地训练。在本地训练后,中央的训练协调器通过获取分布模型的更新获得每个节点的训练贡献,但是不访问实际的敏感数据,能够体现出集中收集和数据最小化的原则。
[0003]然而,客户之间数据分布的异质性仍然带来了诸多问题,当前的联邦学习框架在实现参与者之间安全和透明的数据共享方面依旧面临困难,存在着容易泄露隐私的风险,因此目前亟需寻找到降低隐私泄露的风险的方法。
技术实现思路
[0004]针对现有技术中所存在的不足,本专利技术提供了一种个性化联邦学习的区块链增强循环蒸馏引导信道解耦框架,具有个性化机器学习模型的效率和安全性高,隐私泄露风险低的优点。
[0005]本专利技术的上述技术目的是通过以下技术方案得以实现的:
[0006]个性化联邦学习的区块链增强循环蒸馏引导信道解耦框架,所述框架包括以下部分:
[0007]建立蒸馏引导的信道解耦联邦学习框架;
[0008]将区块链集成到联邦学习过程中;
[0009]采用循环蒸馏,并将自我蒸馏引入个性化联邦学 ...
【技术保护点】
【技术特征摘要】
1.个性化联邦学习的区块链增强循环蒸馏引导信道解耦框架,其特征在于:所述框架包括以下部分:建立蒸馏引导的信道解耦联邦学习框架;将区块链集成到联邦学习过程中;采用循环蒸馏,并将自我蒸馏引入个性化联邦学习中。2.如权利要求1所述的个性化联邦学习的区块链增强循环蒸馏引导信道解耦框架,其特征在于:建立蒸馏引导的信道解耦联邦学习框架时,设计一个分布式设备数为N的联邦学习框架,每个设备D={D1,D2,...,D
N
}持有一个本地数据集D
i
,其中,其中,其中表示输入,表示相应的标签。3.如权利要求2所述的个性化联邦学习的区块链增强循环蒸馏引导信道解耦框架,其特征在于:建立蒸馏引导的信道解耦联邦学习框架时,定义教师模型T(x;W
T
)和学生模型S(x;W
S
),其中W
T
表示教师模型的权重,W
S
表示学生模型的权重;信道解耦作用于上述模型上,得到M个解耦的子模型,记为其中,m=1,2,...,M;最小化考虑到本地数据集损失L
i
(W
S
)和L
d
(W
S
)的总体损失函数L(W
S
):L(W
S
)=∑
i
[αL
i
(W
S
)+(1
‑
α)L
d
(W
S
)],其中,α∈[0,1]是平衡本地数据集损失和蒸馏损失的权重参数,L
d
(W
S
)是学生模型和解耦的教师子模型之间的蒸馏损失,且4.如权利要求3所述的个性化联邦学习的区块链增强循环蒸馏引导信道解耦框架,其特征在于:将区块链集成到联...
【专利技术属性】
技术研发人员:瑞嘉,阿曼乌拉,里亚兹乌拉汗,任晓龙,
申请(专利权)人:电子科技大学长三角研究院湖州,
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。