【技术实现步骤摘要】
本专利技术涉及人工智能领域，特别是涉及一种联邦学习方法、装置、介质及产品。
技术介绍
1、在大模型时代，联邦学习以分布式机器学习范式的思想而成为当下备受瞩目的前沿技术，该技术的模型训练在多个本地数据源上进行，无需将原始数据集集中，分布式客户端在每轮训练结束后将局部模型的梯度参数上传到中心服务器进行聚合。联邦学习技术在保护隐私和减少数据传输的同时实现了多方数据利用，为数据孤岛问题提供了有效的解决方案。然而，当前联邦学习领域依然面临诸多挑战，例如传统集中式服务器下的单点故障问题，分布式客户端的数据伪造和激励不足问题等，这些挑战使得探索更安全、更透明的联邦学习技术成为当前该领域研究的重点。
技术实现思路
1、本专利技术的目的是提供一种联邦学习方法、装置、介质及产品，实现了联邦学习模型训练输入数据的来源认证和输出模型的确权保护，同时在区块链网络不可篡改的特性下，实现了模型操作的记录可追溯、水印嵌入方可查证等，极大增强了传统联邦学习框架的鲁棒性，增加了联邦学习框架的可应用领域。
2、为实...
【技术保护点】
1.一种联邦学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的联邦学习方法，其特征在于，所述共识机制为实用拜占庭容错共识算法。
3.根据权利要求1所述的联邦学习方法，其特征在于，应用特征水印方法或者基于后门的水印方法将所述水印矩阵的私有水印向量嵌入对应的所述联邦学习客户端的初始局部业务模型的参数中。
4.根据权利要求3所述的联邦学习方法，其特征在于，所述特征水印方法通过损失函数将所述水印矩阵的私有水印向量嵌入对应的所述联邦学习客户端的初始局部业务模型的参数。
5.根据权利要求3所述的联邦学习方法，其特征在于，...
【技术特征摘要】
1.一种联邦学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的联邦学习方法，其特征在于，所述共识机制为实用拜占庭容错共识算法。
3.根据权利要求1所述的联邦学习方法，其特征在于，应用特征水印方法或者基于后门的水印方法将所述水印矩阵的私有水印向量嵌入对应的所述联邦学习客户端的初始局部业务模型的参数中。
4.根据权利要求3所述的联邦学习方法，其特征在于，所述特征水印方法通过损失函数将所述水印矩阵的私有水印向量嵌入对应的所述联邦学习客户端的初始局部业务模型的参数。
5.根据权利要求3所述的联邦学习方法，其特征在于，当应用特征水印方法将所述水印矩阵的私有水印向量嵌入对应的所述联邦学习客户端的初始局部业务模型的参数时，应用所述区块链的共识机制，对所述初始全局业务模型的参数的私有水印向量进行验证，具体包括：
6.根据权利要求3所述的联邦学习方法，其特征在...
【专利技术属性】
技术研发人员：曹远龙，李俊杰，巢凯林，肖建茂，黄箐，黄欣，
申请(专利权)人：江西师范大学，
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。