【技术实现步骤摘要】
本专利技术属于数据处理，具体是指一种基于联邦学习的数据处理方法、设备及系统。
技术介绍
1、随着大数据时代的到来，数据处理的效率和安全性成为待解决的问题，传统的数据处理方法通常需要集中所有数据到中心服务器进行处理，这不仅增加了数据泄露的风险，也限制了数据处理的效率和灵活性；
2、但现有联邦学习的数据处理还存在一定的缺陷，现有联邦学习的数据处理采用固定或静态的特征选择与编码策略，无法有效应对数据格式、质量以及分布特性的多样性，导致模型过于关注噪声特征，忽视真正对预测关键的信号，降低了模型的准确性和鲁棒性，缺乏合理的初始化策略会延长模型达到稳定状态的时间，消耗更多计算资源，未能根据数据的异质性动态调整，导致模型无法灵活适应数据分布的变化，影响了训练效率和模型质量，为此，提出一种基于联邦学习的数据处理方法、设备及系统。
技术实现思路
1、本专利技术的目的在于提供一种基于联邦学习的数据处理方法、设备及系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供...
【技术保护点】
1.一种基于联邦学习的数据处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于联邦学习的数据处理方法，其特征在于：所述S2，预处理后的异质性数据进行提取关键特征并进行特征编码，根据异质性数据和动态网络环境自动调整特征的重要性权重，设一个自适应特征选择函数为F，自适应特征选择函数实现公式为：
3.根据权利要求1所述的一种基于联邦学习的数据处理方法，其特征在于：所述S3，中央服务器通过Xavier初始化方法设置全局模型的初始权重和偏置项初始值，设全局模型第l层有nl个输入神经元和nl+1个输出神经元，权重矩阵为Wl，全局模型初始化
...【技术特征摘要】
1.一种基于联邦学习的数据处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于联邦学习的数据处理方法，其特征在于：所述s2，预处理后的异质性数据进行提取关键特征并进行特征编码，根据异质性数据和动态网络环境自动调整特征的重要性权重，设一个自适应特征选择函数为f，自适应特征选择函数实现公式为：
3.根据权利要求1所述的一种基于联邦学习的数据处理方法，其特征在于：所述s3，中央服务器通过xavier初始化方法设置全局模型的初始权重和偏置项初始值，设全局模型第l层有nl个输入神经元和nl+1个输出神经元，权重矩阵为wl，全局模型初始化实现公式为：
4.根据权利要求3所述的一种基于联邦学习的数据处理方法，其特征在于：所述s3，中央服务器收集参与者的数据集，中央服务器根据收集的数据集统计信息，评估各参与者数据的异质性程度；
...
【专利技术属性】
技术研发人员：刘文耕，
申请(专利权)人：创壹上海信息科技有限公司，
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。