联邦学习方法、装置、设备及存储介质制造方法及图纸

本公开提供一种联邦学习方法、装置、设备及存储介质，涉及人工智能技术领域。该方法包括：基于获取的各个第一目标终端的计算单元信息从多个第一目标终端中确定多个第二目标终端；根据获取的各个第二目标终端的模型性能损失目标范围从多个候选保护机制中确定共享模型的目标保护机制；将共享模型的信息和目标保护机制的信息发送至各个第二目标终端，以使各个第二目标终端按照目标保护机制将第一更新参数进行处理后发送至联邦学习服务平台，以便联邦学习服务平台对各个第二目标终端的第一更新参数进行整合并据此更新共享模型，从而可实现在用户可接受的模型性能损失量的情况下，使用的目标保护机制在尽可能大程度上保护用户数据隐私。

【技术实现步骤摘要】

本公开涉及人工智能，具体而言，涉及一种联邦学习方法、装置、电子设备及可读存储介质。

技术介绍

1、联邦学习是一种具有隐私保护性质的新兴的分布式人工智能(artificialintelligence，ai)算法。在半诚实和恶意安全模型假设下，攻击者可以通过一些技术手段(如基于梯度的数据还原(gradient inversion attack)等)推断联邦学习的参与者的隐私数据。为了防御不同隐私威胁，联邦学习需结合不同隐私保护机制共同使用。虽然使用越多的隐私保护机制或提高保护机制参数(如差分隐私(differential privacy，dp)的噪声等)可使数据越安全，但也意味着模型性能将明显下降。因此，如何权衡数据安全/隐私与模型性能和计算复杂度是联邦学习在实际应用中亟待解决的问题。

2、在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的目的在于提供一种联邦学习方法、装置、电子设备及可读存储介质，本文档来自技高网...

【技术保护点】

1.一种联邦学习方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，还包括：

3.根据权利要求2所述的方法，其特征在于，对于所述各个候选保护机制，根据该候选保护机制情况下的各个第二目标终端的第二参数变量分布函数以及第一参数变量分布函数获得该候选保护机制对应的信息泄露度量值，包括：

4.根据权利要求2所述的方法，其特征在于，对于所述各个候选保护机制，获得按照该候选保护机制对所述共享模型的更新参数进行处理后所述共享模型的平均预测性能损失，包括：

5.根据权利要求1所述的方法，其特征在于，所述计算单元信息包括计算单元的硬件资源信息...

【技术特征摘要】

1.一种联邦学习方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，还包括：

3.根据权利要求2所述的方法，其特征在于，对于所述各个候选保护机制，根据该候选保护机制情况下的各个第二目标终端的第二参数变量分布函数以及第一参数变量分布函数获得该候选保护机制对应的信息泄露度量值，包括：

4.根据权利要求2所述的方法，其特征在于，对于所述各个候选保护机制，获得按照该候选保护机制对所述共享模型的更新参数进行处理后所述共享模型的平均预测性能损失，包括：

5.根据权利要求1所述的方法，其特征在于，所述计算单元信息包括计算单元的硬件资源信息；

6.根据权利要求5所述的方法，其特征在于，根据多个第一目标终端的计算设备硬件算力中的最小值和所述各个第一目标终端的计算设备硬件算力平均值和标准差获得第一计算设备硬件算力阈值，包括：

【专利技术属性】
技术研发人员：潘碧莹，李慧芳，巫祖萍，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：