【技术实现步骤摘要】
本专利技术涉及信息安全，尤其涉及一种考虑不规则用户的隐私保护的联邦深度学习方法及系统。
技术介绍
1、联邦学习是隐私计算的重要技术之一，被广泛用于图像分类、自动驾驶和智能医疗等各个方面。联邦学习在一定程度上可以进行隐私保护，但也存在隐私泄露的情况，比如通过共享梯度和全局参数恢复目标数据以泄露隐私。除联邦学习的隐私保护外，如何确保培训期间高质量数据也很重要。在现实生活中每位用户拥有的原始数据质量通常是不均衡的。一些具有卓越专业知识或终端设备的用户通常拥有高质量的数据，而其他用户可能会持有低质量数据，拥有低质量数据的用户称为非规则用户。在联合训练过程中，非规则用户的数据可能会损害训练的准确性。为了实用性和提高训练准确性，消除低质量数据对训练过程的影响也是至关重要的。
2、目前，隐私保护联邦学习方案通常都是双云服务器，通过安全的两方计算保护所有用户相关信息的隐私，两个服务器相互合作，但是不能相互勾结。然而，两个服务器很可能出现相互勾结的情况，一旦两个服务器相互勾结，用户个人信息安全就会受到威胁，使得隐私保护的安全性降低。另外，现有...
【技术保护点】
1.一种考虑不规则用户的隐私保护的联邦深度学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述各参与者确定当前轮的全局梯度和本地梯度，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述当前轮的全局梯度和所述当前轮的本地梯度计算上传的本地梯度，包括：
4.根据权利要求3所述的方法，其特征在于，所述各参与者根据所述当前轮的全局梯度和所述当前轮的本地梯度，计算当前轮的欧几里得距离，包括：
5.根据权利要求4所述的方法，其特征在于，所述各参与者根据所述当前轮的欧几里得距离，计算所述各参...
【技术特征摘要】
1.一种考虑不规则用户的隐私保护的联邦深度学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述各参与者确定当前轮的全局梯度和本地梯度，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述当前轮的全局梯度和所述当前轮的本地梯度计算上传的本地梯度，包括：
4.根据权利要求3所述的方法，其特征在于，所述各参与者根据所述当前轮的全局梯度和所述当前轮的本地梯度，计算当前轮的欧几里得距离，包括：
5.根据权利要求4所述的方法，其特征在于，所述各参与者根据所述当前轮的欧几里得距离，计算所述各参与者的可信度，并将所述各参与者的可信度发送给所述服务器，包括：
6.根据权利要求5所述的方法，其特征在于，所述服务器计算所述各参与者的可信度之和，并将所...
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。