基于贡献度的联邦学习激励方法、装置及系统制造方法及图纸

本发明专利技术提供一种基于贡献度的联邦学习激励方法、装置及系统，该方法包括：接收参与方发送的梯度密文；在接收到预设数量或者时间内参与方发送的梯度密文后，对梯度密文进行解密验证，得到梯度数据；计算各参与方的奖励，对奖励签名后发送给奖励中心，以使奖励中心将奖励发送到对应的参与方账户；确定合格参与方，生成下一轮参与联邦学习的参与方列表；根据合格参与方的梯度数据生成聚合梯度，加密聚合梯度得到聚合梯度密文；将聚合梯度密文发送给参与方列表中的参与方，以使参与方进行下一轮迭代训练。利用本发明专利技术方案，可以使各参与方得到相应的激励，提升参与方的积极性，提升联邦学习效率。

【技术实现步骤摘要】

本专利技术涉及联邦学习领域，具体涉及一种基于贡献度的联邦学习激励方法、装置及系统。

技术介绍

1、联邦学习（federated learning，fl）作为一种分布式机器学习方法，近年来受到了众多研究学者的关注，被广泛应用于多种领域，如智慧医疗、智慧城市、金融和智能工业等。

2、在联邦学习中，数据保留在本地物理域中，参与节点使用自身数据分别训练本地模型，并共同建立联合模型。数据所有者的数据资源持有权和数据加工使用权均不受侵害，依托数据产品经营权的转让委托获取收益，缓冲了数据共享与隐私安全之间的矛盾，为打通“数据孤岛”提供了新范式，也为数据驱动型产业带来了新的解决方案。

3、联邦学习系统通常假设所有参与方会诚实且积极地参与联邦学习，但由于不同的参与方往往拥有不同数据量、不同质量的数据，不同参与方对于最终全局模型的贡献度不同，因此在公平激励环境中，拥有高数据量和高数据质量的参与方的参与积极性较低，假设难以成立。特别地，在非独立同分布数据场景中，参与方的贡献度更难衡量。在本地模型训练的过程中存在算力、带宽等多种资源的消耗。如果缺乏公平合理本文档来自技高网...

【技术保护点】

1.一种基于贡献度的联邦学习激励方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于贡献度的联邦学习激励方法，其特征在于，所述确定合格参与方包括：

3.根据权利要求2所述的基于贡献度的联邦学习激励方法，其特征在于，所述根据各参与方的梯度数据确定与上一轮聚合模型的一致性包括：

4.根据权利要求3所述的基于贡献度的联邦学习激励方法，其特征在于，所述合格参与方包括：优质参与方；

5.根据权利要求4所述的基于贡献度的联邦学习激励方法，其特征在于，所述合格参与方包括：劣质参与方之外的参与方；

6.根据权利要求1至5任一项所述的基...

【技术特征摘要】

1.一种基于贡献度的联邦学习激励方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于贡献度的联邦学习激励方法，其特征在于，所述确定合格参与方包括：

3.根据权利要求2所述的基于贡献度的联邦学习激励方法，其特征在于，所述根据各参与方的梯度数据确定与上一轮聚合模型的一致性包括：

4.根据权利要求3所述的基于贡献度的联邦学习激励方法，其特征在于，所述合格参与方包括：优质参与方；

5.根据权利要求4所述的基于贡献度的联邦学习激励方法，其特征在于，所述合格参与方包括：劣质参与方之外的参与方；

6.根据权利要求1至5任一项所述的基于贡献度的联邦学习激励方法，其特征在于，所述方法还包括：

7.根据权利要求6所述的...

【专利技术属性】
技术研发人员：曹扬，管桂林，杨波，朱策，黄海峰，支婷，
申请(专利权)人：中电科大数据研究院有限公司，
类型：发明
国别省市：