【技术实现步骤摘要】
本专利技术涉及计算机，尤其是指一种模型训练方法、装置、电子设备及存储介质。
技术介绍
1、随着智能终端设备的快速普及，大量的个人信息数据被各种网络平台所采集。而传统的机器学习需要先把信息都收集到中心服务器后，再进行模型训练，导致客户端的隐私数据很容易遭到泄露。
2、联邦学习作为一种分布式的机器学习模式，允许多个客户端在本地完成模型训练，不需要让数据离开本地客户端，对数据隐私起到一定的保护作用。但由于联邦学习的分布式特点，很容易遭受到拜占庭攻击，拜占庭节点可能恶意篡改模型参数、窃取其他节点数据和破坏联邦学习过程，导致模型性能下降和数据泄露，出现隐私安全问题。
3、现有技术为采用鲁棒的聚合方法以使联邦学习不受到拜占庭攻击的影响，但通常为客户端直接将模型参数的增量发送给服务器，存在着隐私泄露的风险，或客户端将模型参数增量的符号函数发送给服务器，服务器根据模型参数增量的符号函数进行一系列隐私计算，但存在着一定精度损失。
技术实现思路
1、鉴于上述问题，本专利技术实施例是提供...
【技术保护点】
1.一种模型训练方法，其特征在于，涉及服务器以及客户端，所述服务器包括第一服务器以及第二服务器，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获得与所述全局模型参数对应的服务器模型参数增量，包括：
3.根据权利要求1所述的方法，其特征在于，所述获得与所述全局模型参数对应的本地模型参数增量，包括：
4.根据权利要求1所述的方法，其特征在于，所述方法包括：
5.根据权利要求4所述的方法，其特征在于，所述第一服务器和所述第二服务器根据同态加密算法预先生成数组信息，包括：
6.根据权利要求5所述的方法...
【技术特征摘要】
1.一种模型训练方法，其特征在于，涉及服务器以及客户端，所述服务器包括第一服务器以及第二服务器，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获得与所述全局模型参数对应的服务器模型参数增量，包括：
3.根据权利要求1所述的方法，其特征在于，所述获得与所述全局模型参数对应的本地模型参数增量，包括：
4.根据权利要求1所述的方法，其特征在于，所述方法包括：
5.根据权利要求4所述的方法，其特征在于，所述第一服务器和所述第二服务器根据同态加密算法预先生成数组信息，包括：
6.根据权利要求5所述的方法，其特征在于，所述第一服务器和所述第二服务器基于所述第一本地模型参数增量和所述第二本地模型参数增量进行乘法秘密共享，获得所述本地模型参数增量的稳定性指标，包括：
7.根据权利要求6所述的方法，其特征在于，所述第一服务器和所述第二服务器基于服务器模型参数增量和...
【专利技术属性】
技术研发人员：王小伟，张旭，孙华锦，
申请(专利权)人：山东云海国创云计算装备产业创新中心有限公司，
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。