基于个性化本地差分隐私的去中心化联邦学习方法及系统技术方案

技术编号:43325611 阅读:56 留言:0更新日期:2024-11-15 20:24
本发明专利技术提出了基于个性化本地差分隐私的去中心化联邦学习方法及系统,涉及联邦学习技术领域,包括:初始化用于联邦学习的区块链网络;每个客户端从区块链上接受训练任务,使用本地数据集对从区块链中下载的全局模型进行本地迭代训练,并对隐私预算进行自适应分配和对本地模型参数进行本地差分隐私处理,直到满足迭代停止的条件,得到训练后的本地模型参数,上传到区块链中;区块链对客户端上传的本地模型参数进行加权聚合,得到聚合后的全局模型,并回传给任务发布者;本发明专利技术将联邦学习与区块链相结合,并使用了个性化的隐私预算分配和基于参数的加权聚合算法,保证了联邦学习隐私性、准确性和鲁棒性之间实现的有效权衡。

【技术实现步骤摘要】

本专利技术属于联邦学习,尤其涉及基于个性化本地差分隐私的去中心化联邦学习方法及系统


技术介绍

1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。

2、随着云计算、物联网、大数据等技术的迅猛发展,生活中的各种生产会不断生成大量数据,这些数据用传统方法难以处理,这就需要利用机器学习方法对海量数据进行处理,以执行各种任务;但随着隐私和机密保护方面逐渐被重视,出现了数据孤岛问题。在处理数据时,传统的集中式机器学习方法需要中央服务器通过无线传输,收集所有设备的原始数据后再进行处理和分析;但是,这不仅带来了很大的传输成本,同时某些客户端的数据会涉及敏感信息,原始数据的传输可能会导致它们的隐私泄露,进而导致这些客户端为了保护数据隐私,不愿参与训练过程,从而形成数据孤岛。

3、为解决这一问题,联邦学习应运而生;联邦学习作为一种受隐私保护的分布式机器学习,可以保护数据安全并保证数据权责的一致性,可以更好地解决数据孤岛、数据隐私等问题;目前,联邦学习已广泛应用于各个领域中。

4、然而,现有的联邦学习主要依靠参本文档来自技高网...

【技术保护点】

1.基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,包括:

2.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述分配客户端的初始隐私预算,是采用基于数据集加权的隐私预算初始分配,具体为:

3.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述对隐私预算进行自适应分配,是采用基于模型精度的隐私预算自适应分配,具体为:

4.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述对本地模型参数进行本地差分隐私处理,具体为:

5.如权利要求1所述的基于...

【技术特征摘要】

1.基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,包括:

2.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述分配客户端的初始隐私预算,是采用基于数据集加权的隐私预算初始分配,具体为:

3.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述对隐私预算进行自适应分配,是采用基于模型精度的隐私预算自适应分配,具体为:

4.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述对本地模型参数进行本地差分隐私处理,具体为:

5.如权利要求1所述的基于个性化本地差分隐私的去中心化...

【专利技术属性】
技术研发人员:王连海李琪徐淑奖张淑慧
申请(专利权)人:山东省计算中心国家超级计算济南中心
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1