【技术实现步骤摘要】
本专利技术属于联邦学习数据安全领域，特别涉及隐私处理和服务器进行安全聚合。
技术介绍
1、深度学习的发展已经改变了许多应用领域，如图像处理、自然语言处理和视频分析。目前，深度学习模型的训练主要是在一些功能强大的计算平台上进行的，例如服务器中心，这里集中收集了大量的用户数据。尽管如此，在许多应用程序中，数据是在终端设备(如智能手机和传感器)上生成和分发的，而将数据转移到中央服务器进行模拟训练将隐私担忧。由于法律条例、商业利益、隐私保护等多种隐私，不同组织的终端设备产生和收集到的数据将不会和其他组织共享，这会导致训练数据相互隔离，形成数据孤岛，各组织智能基于内部的小型数据集进行模型训练。但是模型的性能有很大程度和训练的数据集的大小相关，这样训练出来的模型性能和泛化能力都会受到限制。
2、因此，2016年谷歌提出联邦学习，它可以让终端用户使用从丰富的数据训练出的共享模型，而不需要集中存储数据。简单来说，每个参与方基于自己本地的数据集训练模型参数，服务器对各个用户上传的模型进行聚合，然后服务器返回聚合后的模型，客户端在本地实现更新，...
【技术保护点】
1.一种面向用户行为的联邦学习安全与隐私方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向用户行为的联邦学习安全与隐私方法，其特征在于，所述步骤S1服务器初始化一个模型参数，并下发给终端用户，具体包括：
3.根据权利要求1所述的一种面向用户行为的联邦学习安全与隐私方法，其特征在于，所述步骤S2终端用户基于本地数据集训练全局模型，更新本地模型参数，具体包括：
4.根据权利要求1所述的一种面向用户行为的联邦学习安全与隐私方法，其特征在于，所述步骤S3终端用户进行梯度裁剪，添加高斯噪声并且更新模型，向云服务器发送添加噪声的...
【技术特征摘要】
1.一种面向用户行为的联邦学习安全与隐私方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向用户行为的联邦学习安全与隐私方法，其特征在于，所述步骤s1服务器初始化一个模型参数，并下发给终端用户，具体包括：
3.根据权利要求1所述的一种面向用户行为的联邦学习安全与隐私方法，其特征在于，所述步骤s2终端用户基于本地数据集训练全局模型，更新本地模型参数，具体包括：
4.根据权利要求1所述的一种面向用户行为的联邦学习安全与隐私方法，其特征在于，所述步骤s3终端用户进行梯度裁剪，添加高斯噪声并且更新模型，向云服务器发送添加噪声的模型参数，具体包括：
5.根据权利要求1所述的一种面向用户行为的联邦学习安全与隐私方法，其特征在于，所述步骤s4服务器计算用户上传的模型参数与根模型的余弦相似度欧式距离，计算其模型在验证集的表现，具体包括：
6.根据权利要求1所述的一种面向用户行为的联邦学...
【专利技术属性】
技术研发人员：何利，王玉杰，杜佩遥，刘俊卿，李慎康，毛芳，王灿宇，
申请(专利权)人：重庆邮电大学，
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。