一种基于差分隐私与联邦元学习的联邦系统训练方法技术方案

本发明专利技术提供了一种基于差分隐私与联邦元学习的联邦系统训练方法，包括如下步骤：步骤一、设置联邦系统的目标函数：步骤二、构建元训练集；步骤三、更新客户端模型的模型参数；步骤四、得到更新后的全局模型；步骤五、服务器将更新后的全局模型随机发送给一部分用户；步骤六、重复步骤三至步骤五，直至联邦系统的目标函数收敛即得到最终的全局模型。本发明专利技术利用联邦学习在多个设备或数据中心上进行模型训练，避免了传统集中式存储数据的隐私风险，并能够充分利用更广泛的数据来训练更强大的模型的特点。同时，采用差分隐私技术，在数据处理过程中引入噪声来保护个体数据的隐私，有效防止敏感信息泄露。

【技术实现步骤摘要】

本专利技术属于网络安全，主要涉及到一种基于差分隐私与联邦元学习的联邦系统训练方法。

技术介绍

1、图像识别作为人工智能领域的成功应用之一，被广泛应用于安全、管理、广告和医疗保健等领域。然而，网络公开性导致图像易被恶意用户窃取，危及图像所有者隐私安全。与传统的机器学习技术不同，联邦学习作为一种新的分布式深度学习范式，它的出现正在打破数据孤岛，打破因数据离散分布而难以使用的问题。联邦学习包含中心服务器与分散的各个客户端，采取分布式训练方式。在训练时，参与方使用私有的本地数据集训练网络，将参数信息或梯度信息返回至中心服务器，中心服务器将获得的客户端模型聚合为全局模型，从而使得分离的参与方实现联合建模。

2、但是传统的联邦学习框架依旧存在着隐私泄露风险及数据异构的问题。隐私泄露方面，攻击者能够通过参与联邦学习，获取用户的模型数据或是影响模型的正常训练，导致模型的精度降低及隐私数据泄露；此外，由于每个参与方的数据分布和特征可能不同，联邦学习面临着数据异构性即数据非独立同分布的问题。

技术实现思路p>

1、为解决本文档来自技高网...

【技术保护点】

1.一种基于差分隐私与联邦元学习的联邦系统训练方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于差分隐私与联邦元学习的联邦系统训练方法，其特征在于，所述步骤二的具体步骤如下：

3.如权利要求1所述的基于差分隐私与联邦元学习的联邦系统训练方法，其特征在于，所述步骤三中客户端模型的损失函数如下：

4.如权利要求3所述的基于差分隐私与联邦元学习的联邦系统训练方法，其特征在于，所述步骤三中，客户端模型通过训练集Dtr进行本地元学习的方法如下：

5.如权利要求3所述的基于差分隐私与联邦元学习的联邦系统训练方法，其特征在于，

【技术特征摘要】

1.一种基于差分隐私与联邦元学习的联邦系统训练方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于差分隐私与联邦元学习的联邦系统训练方法，其特征在于，所述步骤二的具体步骤如下：

3.如权利要求1所述的基于差分隐私与联邦元学习的联邦系统训练方法，其特征在于，...

【专利技术属性】
技术研发人员：唐文娟，魏可欣，
申请(专利权)人：湖南大学，
类型：发明
国别省市：