【技术实现步骤摘要】
本专利技术属于机器学习，具体涉及一种aigc模型联邦学习训练的全阶段可信保障方法。
技术介绍
1、chatgpt的日益普及和受欢迎度加剧了对大型语言模型(llm)的兴趣，这些模型是生成式人工智能的核心推动力。机器学习任务的成败往往悬于融合来自多方的数据，但数据的分散所有权和隐私问题却使得获取高品质数据集变得异常困难。在这种背景下，联邦学习(fl)应运而生，成为解决这一难题的关键。fl与传统的集中式训练模型截然不同，它通过去中心化数据的迭代处理，构建了一个协同学习环境，巧妙地应对了机器学习中数据隐私与所有权的问题。然而，将fl引入人工智能生成内容(aigc)模型，即产生fl驱动的aigc，会引发一系列信任问题。
2、在大型语言模型和aigc模型兴盛之前，研究重点主要集中在fl小型模型的可信性上。目前关于利用区块链保障ai模型训练可信度的专利大多依赖区块链的不可篡改记录特性，例如将模型训练过程中的参数等关键数据记录在区块链上。这样的专利包括《一种基于区块链的无人机联邦学习的梯度选择方法，公开号cn117596592a》，在该方法...
【技术保护点】
1.AIGC模型联邦学习训练的全阶段可信保障方法，其特征在于该方法包括以下步骤：
2.根据权利要求1所述的AIGC模型联邦学习训练的全阶段可信保障方法，其特征在于：所述relay节点是Nostr协议中的中继器节点，负责存储训练数据，并由其它节点进行验证。
3.根据权利要求2所述的AIGC模型联邦学习训练的全阶段可信保障方法，其特征在于：
4.根据权利要求1所述的AIGC模型联邦学习训练的全阶段可信保障方法，其特征在于：所述的本地检测包含数据是否有异常数据或者恶意数据。
5.根据权利要求4所述的AIGC模型联邦学习训练的全...
【技术特征摘要】
1.aigc模型联邦学习训练的全阶段可信保障方法，其特征在于该方法包括以下步骤：
2.根据权利要求1所述的aigc模型联邦学习训练的全阶段可信保障方法，其特征在于：所述relay节点是nostr协议中的中继器节点，负责存储训练数据，并由其它节点进行验证。
3.根据权利要求2所述的aigc模型联邦学习训练的全阶段可信保障方法，其特征在于：
4.根据权利要求1所述的aigc模型联邦学习训练的全阶段可信保障方法，其特征在于：所述的本地检测包含数据是否有异常数据或者恶意数据。
5.根据权利要...
【专利技术属性】
技术研发人员：赵新奎，于书懿，尹建伟，智晨，张旭鸿，
申请(专利权)人：浙江大学软件学院宁波管理中心宁波软件教育中心，
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。