【技术实现步骤摘要】
本专利技术属于联邦学习数据安全的，更具体地，涉及基于生成对抗网络的联邦学习拜占庭节点检测方法、装置及计算机可读存储介质。
技术介绍
1、机器学习技术通过融合概率论、凸优化与复杂度分析等技术与方法在数据挖掘、自然语言处理、计算机视觉与推荐系统等领域取得了重大进展。仅依靠某一机构所掌握的数据，无法实现机器学习技术的快速突破。与此同时，因地理限制、隐私顾虑等问题的存在，多机构之间的数据共享与交换难以实现。联邦学习技术的出现很好地解决了以上的问题，其通过将不同参与方之间的模型参数发送至模型参数聚合服务器进行模型参数更新并将聚合模型参数分享给各参与方实现机器学习模型的性能迭代。
2、中国专利技术专利cn114492828a公开了一种基于区块链技术的垂直联邦学习拜占庭节点检测与加固方法和应用，包括：基于区块链参与垂直联邦学习的参与方建立智能合约；参与方与发起垂直联邦学习的主动参与方进行垂直联邦学习；主动参与方对应的主动计算节点利用中心服务器模型对各参与方的中间计算结果进行推理验证，根据推理验证结果计算各参与方的累积贡献度；建立验证机构，...
【技术保护点】
1.基于生成对抗网络的联邦学习拜占庭节点检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于生成对抗网络的联邦学习拜占庭节点检测方法，其特征在于，使用生成对抗网络模型生成更多多样性的训练样本来扩充基准数据集，所述生成对抗网络模型在原始生成对抗网络的基础上为其增加了一个认证器并更改约束条件，增加生成对抗网络模型输出样本多样性的能力，具体如下：
3.根据权利要求1或2所述的基于生成对抗网络的联邦学习拜占庭节点检测方法，其特征在于，所述使用本地数据集对本地模型参数进行训练具体包括：
4.根据权利要求3所述的基于生成对抗网络的...
【技术特征摘要】
1.基于生成对抗网络的联邦学习拜占庭节点检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于生成对抗网络的联邦学习拜占庭节点检测方法，其特征在于，使用生成对抗网络模型生成更多多样性的训练样本来扩充基准数据集，所述生成对抗网络模型在原始生成对抗网络的基础上为其增加了一个认证器并更改约束条件，增加生成对抗网络模型输出样本多样性的能力，具体如下：
3.根据权利要求1或2所述的基于生成对抗网络的联邦学习拜占庭节点检测方法，其特征在于，所述使用本地数据集对本地模型参数进行训练具体包括：
4.根据权利要求3所述的基于生成对抗网络的联邦学习拜占庭节点检测方法，其特征在于，所述服务器进行拜占庭节点检测并排除掉拜占庭的模型参数后，对剩余的模型参数进行聚合，得到新的全局模型参数，具体包括：
5.根据权利要求4所述的基于生成对抗网络的联邦学习拜占庭节点检测方法，其特征在于，所述加入奖惩机制...
【专利技术属性】
技术研发人员：王鑫，李晓龙，杨明，吴晓明，霍吉东，穆超，陈振娅，贺云鹏，徐硕，吴法宗，
申请(专利权)人：齐鲁工业大学山东省科学院，
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。