【技术实现步骤摘要】
本专利技术属于机器学习隐私保护，涉及联邦学习隐私保护技术。
技术介绍
1、近年来，协作式机器学习变得日益重要，并已广泛应用于各种场景。联邦学习，作为协作式机器学习的一种形式，允许多个玩家(即，参与者)共同训练模型，同时确保各自的数据保持在本地。尽管联邦学习取得了显著成就，但它在向第三方验证机构(即，模型使用者)提供训练过程可验证性以及保护原始数据隐私方面的问题，正受到越来越多的关注。
2、联邦学习作为一种保护隐私的机器学习新典范，它的关键优势在于能够将分散的数据联邦起来训练全局模型，同时保持数据本地化。虽然该方法减轻了数据泄露的风险，但随之而来的是对模型训练过程的可验证的限制。这种限制使得外部验证者难以监控模型训练过程和数据的具体使用情况。此外，客户端和服务器在联邦学习中都有错误训练模型参数的动机。例如，客户端可能基于非实际数据提交随机参数，或者服务器在处理模型参数时可能试图推断敏感数据，增加了隐私泄露的风险。
3、这些情况迫切需要一个解决方案以确保整个联邦学习过程的正确执行。然而，如果不公开本地数据的情况下，很...
【技术保护点】
1.一种具有隐私保护的可验证联邦学习方法，其特征在于，该方法至少包括以下三个阶段：数据发布阶段，模型训练阶段以及模型聚合阶段；其中
2.根据权利要求1所述的具有隐私保护的可验证联邦学习方法，其特征在于，所述数据发布阶段包括：
3.根据权利要求2所述的具有隐私保护的可验证联邦学习方法，其特征在于，所述步骤4包括如下步骤：
4.根据权利要求1所述的具有隐私保护的可验证联邦学习方法，其特征在于，所述模型训练阶段包括：
5.根据权利要求4所述的具有隐私保护的可验证联邦学习方法，其特征在于，所述步骤4包括如下步骤：
6...
【技术特征摘要】
1.一种具有隐私保护的可验证联邦学习方法，其特征在于，该方法至少包括以下三个阶段：数据发布阶段，模型训练阶段以及模型聚合阶段；其中
2.根据权利要求1所述的具有隐私保护的可验证联邦学习方法，其特征在于，所述数据发布阶段包括：
3.根据权利要求2所述的具有隐私保护的可验证联邦学习方法，其特征在于，所述步骤4包括如下步骤：
4.根据权利要求1所述的具有隐私保护的可验证联邦学习方法，其特征在于，所述模型训练阶段包括：
5.根据权利要求4所述的具有隐私保护的可验证联邦学习方法，其特征在于，所述步骤4包括如下步骤：
6.根据权利要求1所述的具有隐私保护的可验证联邦学习方法，其特征在于，所述模型聚合阶段包括：
【专利技术属性】
技术研发人员：马娟，刘昊，张薇，张明悦，刘志明，
申请(专利权)人：西南大学，
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。