【技术实现步骤摘要】
本公开总体说来涉及机器学习领域，更具体地讲，涉及联邦学习方法及装置、存储介质、计算机程序产品。
技术介绍
1、随着数字化转型的加速，数据已成为驱动各行各业发展的核心要素，但其背后的安全风险也日益凸显，尤其是在医疗、金融及智能制造等关键领域。这些领域的数据不仅敏感度高，且一旦泄露，将引发连锁反应，不仅损害个人隐私，还可能扰乱市场秩序，威胁社会稳定乃至国家安全。在此背景下，联邦学习技术作为数据安全与隐私保护的利器，其重要性不言而喻。该技术通过允许数据在本地进行加密处理并仅共享模型的更新参数或梯度信息，而非直接传输原始数据，从根本上切断了数据泄露的风险源，为跨机构合作提供了安全可靠的桥梁。这种分布式的学习方式，不仅保障了数据的隐私性，还促进了知识的共享与融合，使得各方能在不暴露敏感信息的前提下，共同提升模型的准确性和泛化能力。然而，面对日益复杂的异构数据环境，联邦学习技术也面临着前所未有的挑战。异构数据不仅增加了数据处理的难度，还可能引入局部最优解与全局最优解之间的偏差，影响模型的训练效率和性能。因此，如何在保障数据安全与隐私的前提下，有效处...
【技术保护点】
1.一种联邦学习方法，其特征在于，所述联邦学习方法应用于目标客户端，并且所述方法包括：
2.如权利要求1所述的联邦学习方法，其特征在于，通过如下方式确定所述目标模型满足第一预设终止条件：
3.如权利要求2所述的联邦学习方法，其特征在于，通过如下方式确定所述全局损失函数：
4.一种联邦学习方法，其特征在于，所述联邦学习方法应用于服务器，并且包括：
5.如权利要求4所述的联邦学习方法，其特征在于，在对每个所述客户端对应的更新后的本地模型参数进行聚合，得到所述目标模型的全局模型参数之后，还包括：
6.如权利要求5所...
【技术特征摘要】
1.一种联邦学习方法，其特征在于，所述联邦学习方法应用于目标客户端，并且所述方法包括：
2.如权利要求1所述的联邦学习方法，其特征在于，通过如下方式确定所述目标模型满足第一预设终止条件：
3.如权利要求2所述的联邦学习方法，其特征在于，通过如下方式确定所述全局损失函数：
4.一种联邦学习方法，其特征在于，所述联邦学习方法应用于服务器，并且包括：
5.如权利要求4所述的联邦学习方法，其特征在于，在对每个所述客户端对应的更新后的本地模型参数进行聚合，得到所述目标模型的全局模型参数之后，还包括：
6.如权利要求5所述的联邦学习方法，其特征在于，所述基于所述第二差异信息，确定全局损失函数，包括：
7.如权利要求6所述的联邦学习方法，其特征在于，所述预定常数通过如下方式更新：
8.如权利要...
【专利技术属性】
技术研发人员：杨宁，吕品，
申请(专利权)人：中国科学院自动化研究所，
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。