一种开放环境下的隐私数据保护模型训练方法技术

本发明专利技术涉及开放环境下模型训练的技术领域，公开了一种开放环境下的隐私数据保护模型训练方法，所述方法包括：将训练数据集划分为不同子集，分发给参与训练的服务器，服务器在本地进行模型梯度计算，并对计算结果依次进行本地梯度量化以及加噪处理；计算不同加噪本地梯度向量的梯度关联度进行向量过滤以及聚合处理；基于梯度向量聚合结果更新模型训练参数。本发明专利技术利用多个服务器的计算资源进行模型训练，提高训练效率，实现开放环境下多服务器联合训练，服务器在本地训练过程中仅保留模型参数对应的梯度，结合预设的梯度量化级别以及梯度量化阈值对本地梯度向量进行量化处理以及加噪处理，便于梯度向量传输，实现隐私数据、模型参数的保护处理。

【技术实现步骤摘要】

本专利技术涉及开放环境下模型训练的，尤其涉及一种开放环境下的隐私数据保护模型训练方法。

技术介绍

1、在当今信息技术高速发展的时代，海量数据成为了推动人工智能和机器学习领域发展的关键驱动力。然而，伴随着数据规模不断扩大和数据共享需求增加，隐私数据保护问题日益突出。特别是在开放环境下，多方参与者之间的数据交换和共享频繁发生，隐私数据泄露风险进一步加剧。因此，如何在开放环境下有效保护隐私数据，同时确保机器学习模型的准确性和效果，成为了一个亟待解决的重要问题。针对该问题，本专利技术提出一种开放环境下的隐私数据保护模型训练方法，通过动态隐私计算和联邦融合平衡数据隐私保护和数据利用效率，促进在开放环境下的跨组织合作和模型训练。

技术实现思路

1、有鉴于此，本专利技术提供一种开放环境下的隐私数据保护模型训练方法，目的在于：1)将训练数据集划分为不同子集，并分别分发给不同服务器进行训练，避免训练数据集中的隐私数据全部泄露，利用多个服务器的计算资源进行模型训练，提高模型训练效率，并为了保护模型训练参数训练结果不被泄露，服务器本文档来自技高网...

【技术保护点】

1.一种开放环境下的隐私数据保护模型训练方法，其特征在于，所述方法包括：

2.如权利要求1所述的一种开放环境下的隐私数据保护模型训练方法，其特征在于，所述S1步骤中将训练数据集划分为不同子集，分发给参与训练的服务器，包括：

3.如权利要求2所述的一种开放环境下的隐私数据保护模型训练方法，其特征在于，所述服务器基于所接收的子集，在本地进行模型梯度计算，包括：

4.如权利要求3所述的一种开放环境下的隐私数据保护模型训练方法，其特征在于，所述S2步骤中对服务器的模型梯度计算结果进行本地梯度量化，包括：

5.如权利要求1所述的一种开放环境下的隐私数...

【技术特征摘要】

1.一种开放环境下的隐私数据保护模型训练方法，其特征在于，所述方法包括：

2.如权利要求1所述的一种开放环境下的隐私数据保护模型训练方法，其特征在于，所述s1步骤中将训练数据集划分为不同子集，分发给参与训练的服务器，包括：

3.如权利要求2所述的一种开放环境下的隐私数据保护模型训练方法，其特征在于，所述服务器基于所接收的子集，在本地进行模型梯度计算，包括：

4.如权利要求3所述的一种开放环境下的隐私数据保护模型训练方法，其特征在于，所述s2步骤中对服务器的模型梯度计算结果进行本地梯度量化，包括：

5....

【专利技术属性】
技术研发人员：余芸，林志达，张喜铭，林克全，赵晓玮，
申请(专利权)人：中国南方电网有限责任公司，
类型：发明
国别省市：