一种抵御中毒梯度攻击的分层联邦学习方法及装置制造方法及图纸

本发明专利技术提供了一种抵御中毒梯度攻击的分层联邦学习方法及装置。分层联邦学习方法分为两个大部分：分层联邦学习的实现以及防御方法布局；将防御方法结合分层通讯融入联邦学习中，使得联邦学习对于中毒梯度攻击的抗性更加强的同时保留了分层联邦学习的优势。在多层次联邦学习领域，目前并没有针对中毒攻击的防御方法，也没有提出针对中毒攻击的多层次联邦学习模型。本方法的能够有效的针对中毒攻击进行防御，能够很好的保护用户的隐私问题，同时在一定情况下还能减少训练带宽。

【技术实现步骤摘要】

本专利技术属于机器学习领域，涉及机器学习的多个领域，尤其涉及一种抵御中毒梯度攻击的分层联邦学习方法

技术介绍

1、联邦学习(federated learning)是一种机器学习方法，旨在通过在分布式设备或节点上训练模型，从而实现模型的全局改进，同时不需要将原始数据集集中存储在一个中心位置。简而言之，它允许在不共享敏感数据的情况下，将多个设备或客户端的局部模型合并以创建一个全局模型。

2、联邦学习的概念最早是由google于2017年提出的。google在一篇名为《communication-efficient learning of deep networks from decentralized data》的论文中首次描述了联邦学习的框架和方法。

3、这篇论文强调了联邦学习的概念，即通过在终端设备上进行本地模型训练，然后将局部模型参数上传到中央服务器进行模型聚合，以实现全局模型的改进，同时保护用户的隐私。google的提出旨在解决分布式机器学习中的隐私和通信问题，同时减少中央服务器与客户端之间的通信负担。>

4、自那以后本文档来自技高网...

【技术保护点】

1.一种抵御中毒梯度攻击的分层联邦学习方法，其特征在于，分为两个大部分：分层联邦学习的实现以及防御方法布局；

2.一种抵御中毒梯度攻击的分层联邦学习装置，其特征在于，包括：至少一个处理器，与所述至少一个处理器耦合的存储器，以及存储在所述存储器中的计算机程序，所述至少一个处理器执行所述计算机程序来实现如权利要求1所述的抵御中毒梯度攻击的分层联邦学习方法。

3.一种计算机可读存储介质，其特征在于，其存储有可执行指令，所述指令当被执行时使得处理器执行如权利要求1所述的抵御中毒梯度攻击的分层联邦学习方法。

4.一种计算机程序产品，其特征在于，包括计算机程序，所...

【技术特征摘要】

1.一种抵御中毒梯度攻击的分层联邦学习方法，其特征在于，分为两个大部分：分层联邦学习的实现以及防御方法布局；

2.一种抵御中毒梯度攻击的分层联邦学习装置，其特征在于，包括：至少一个处理器，与所述至少一个处理器耦合的存储器，以及存储在所述存储器中的计算机程序，所述至少一个处理器执行所述计算机程序来实现如权利要求1所述的抵御中毒梯...

【专利技术属性】
技术研发人员：黄正林，颜成钢，缪峥，何敏，赵强，沙雏淋，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：