一种基于贡献收益协同平衡的公平联邦学习方法技术

技术编号:41128386 阅读:17 留言:0更新日期:2024-04-30 17:56
本发明专利技术公开了一种基于贡献收益协同平衡的公平联邦学习方法,包括下述步骤:S1.构建包含联邦双贡献评估模块与联邦贡献收益平衡算法的联邦学习框架;S2.采用狄利克雷方法划分成非独立同分布数据;S3.在联邦双贡献评估模块中通过客户端的数据数量和数据质量计算数据贡献值,根据模型损失计算模型贡献值,并加入时间权重得到最终贡献值;S4.构建双层损失函数,训练客户端的个性化模型,分别计算个性化模型与全局模型的相对熵,并视为收益值;S5.根据客户端的贡献值和收益值调整聚合权重,更新后的全局模型进入下一轮训练。

【技术实现步骤摘要】

本专利技术涉及联邦学习,尤其涉及一种基于贡献收益协同平衡的公平联邦学习方法方法。


技术介绍

1、联邦学习可以在保护数据隐私的情况下解决孤岛问题,在工业[刘晶,朱家豪,袁闰萌等.非独立同分布工业大数据下联邦动态加权学习方法[j].计算机集成制造系统,2023,29(05).]、医疗等领域取得了较好的研究效果。但是,在实际应用过程中,联邦学习的公平性问题成为了瓶颈。文章[陈颢瑜,李浥东,张洪磊,等.面向可信联邦学习公平性的研究综述[j].电子学报,2023,51(10):2985-3010.]有两种联邦学习公平性定义:均衡分配公平性和按劳分配公平性。其中,均衡分配公平性目的是每个客户端获得相同的收益,即全局模型在每个客户端的表现都尽可能一致,不会偏向某些客户端。例文章[mohri m,sivek g,suresh a t.agnostic federated learning[c]//international conference onmachine learning.pmlr,2019:4615-4625.]提高性能最差的客户端,文章[li t,sanja本文档来自技高网...

【技术保护点】

1.一种基于贡献收益协同平衡的公平联邦学习方法,保证客户端的贡献值与收益值协同平衡,其特征在于:包括下述步骤:

2.根据权利要求1所述的一种基于贡献收益协同平衡的公平联邦学习方法,其特征在于:所述步骤S3中,采用熵权法计算客户端的数据质量,再根据模型损失计算模型贡献值,并加入时间权重得到最终贡献值,包括以下步骤:

3.根据权利要求1所述的一种基于贡献收益协同平衡的公平联邦学习方法,其特征在于:所述步骤S4中,构建双层损失函数,训练客户端的个性化模型,分别计算个性化模型与全局模型的相对熵,并视为收益值,包括以下步骤:

【技术特征摘要】

1.一种基于贡献收益协同平衡的公平联邦学习方法,保证客户端的贡献值与收益值协同平衡,其特征在于:包括下述步骤:

2.根据权利要求1所述的一种基于贡献收益协同平衡的公平联邦学习方法,其特征在于:所述步骤s3中,采用熵权法计算客户端的数据质量,再根据模型损失计算模...

【专利技术属性】
技术研发人员:刘晶李泽峰王旭赵佳董永峰张健楠
申请(专利权)人:河北工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1