【技术实现步骤摘要】
本专利技术属于机器学习，涉及一种联邦学习方法、系统及设备，具体涉及一种克服领域差异的公平联邦学习方法、系统及设备。
技术介绍
1、联邦学习是一种机器学习新范式，其产生的主要动因在于数据隐私保护和分布式数据处理的需求。在传统的中心化机器学习模式中，所有数据需要汇集到一个中心服务器上进行处理，这不仅涉及到对个人隐私的潜在风险，还可能面临数据传输和存储的巨大负担。联邦学习的核心思想是让多个参与者（即客户端）在本地训练模型，仅将模型参数而非原始数据发送至中心服务器进行汇总和同步，以此形成一个全局优化的模型并返还给各参与者进一步训练，如此循环。这种方法在理论上能够显著提高数据隐私性，并减少对中心服务器的数据处理和存储压力。
2、然而，在实际应用中，联邦学习面临着数据异质性的重大挑战。由于不同客户端（如手机、医院、金融机构等）所持有的数据往往来自不同的领域，且具有显著的特征分布差异，这种领域间的差异性给联邦学习带来了一系列的挑战。为了解决这种数据异构性问题，研究者们提出了多种方法。这些方法主要集中在优化模型的训练过程，使其能够适应不同数...
【技术保护点】
1.一种克服领域差异的公平联邦学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的克服领域差异的公平联邦学习方法，其特征在于：步骤1中，本地模型变化量定义为，其中，G表示参数的总数，表示本地模型wmt中第i个参数的变化量，记为梯度。
3.根据权利要求1所述的克服领域差异的公平联邦学习方法，其特征在于：步骤2中，第i个参数的在第t轮的梯度一致性表示其梯度的正负与其第1至n-1轮内正负的一致性比例，使用动态规划计算增量比例列表lm来实现：
4.根据权利要求1所述的克服领域差异的公平联邦学习方法，其特征在于：步骤3中，通过引入阈...
【技术特征摘要】
1.一种克服领域差异的公平联邦学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的克服领域差异的公平联邦学习方法，其特征在于：步骤1中，本地模型变化量定义为，其中，g表示参数的总数，表示本地模型wmt中第i个参数的变化量，记为梯度。
3.根据权利要求1所述的克服领域差异的公平联邦学习方法，其特征在于：步骤2中，第i个参数的在第t轮的梯度一致性表示其梯度的正负与其第1至n-1轮内正负的一致性比例，使用动态规划计算增量比例列表lm来实现：
4.根据权利要求1所述的克服领域差异的公平联邦学习方法，...
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。