【技术实现步骤摘要】
本专利技术涉及联邦学习，尤其涉及一种联邦学习中基于价值增益的贡献评估方法及系统。
技术介绍
1、现有的评估客户贡献的方法主要包括基于启发式夏普利值和参数相关性的方案。基于启发式夏普利值的方法通过计算每个参与者对集体边际值的收益来评估贡献，考虑了数据量、测试准确性和数据多样性等因素，尽管它们在理论上具有吸引力，但它们的计算复杂性使它们不适合大规模客户参与。另一种是基于模型参数相关性的方法，该方法计算出局部梯度和全局梯度之间的距离，距离越近则客户的贡献就越大。这类方法显著降低了计算复杂度，消除了对测试数据集的依赖，但与集中式训练相比，目前基于参数相关性的方法忽略了联邦学习的显著特点。具体来说，全局模型通过迭代通信轮逐渐收敛，每一个轮都需要大量客户的参与。现有的方法只考虑了参与者对集体的积极影响，而忽略了全球模型与前几轮相比的绩效收益。这种疏忽导致的情况是，尽管集体收益几乎可以忽略不计，但参与者似乎已经做出了重大贡献，从而阻碍了对每个客户的真实贡献的准确评估。例如，即使是全局模型的性能收益也几乎为零，局部和全局模型参数之间的相关性仍然存在，这...
【技术保护点】
1.一种联邦学习中基于价值增益的贡献评估方法，其特征在于，包括：
2.根据权利要求1所述的联邦学习中基于价值增益的贡献评估方法，其特征在于，所述步骤1中每个客户端本地模型与全局模型之间在第t轮次的相关性的计算方式为；
3.根据权利要求1所述的联邦学习中基于价值增益的贡献评估方法，其特征在于，所述步骤2包括如下子步骤：
4.根据权利要求3所述的联邦学习中基于价值增益的贡献评估方法，其特征在于，所述步骤S21中预热模型为：
5.根据权利要求3所述的联邦学习中基于价值增益的贡献评估方法，其特征在于，所述步骤S22包括：
...【技术特征摘要】
1.一种联邦学习中基于价值增益的贡献评估方法，其特征在于，包括：
2.根据权利要求1所述的联邦学习中基于价值增益的贡献评估方法，其特征在于，所述步骤1中每个客户端本地模型与全局模型之间在第t轮次的相关性的计算方式为；
3.根据权利要求1所述的联邦学习中基于价值增益的贡献评估方法，其特征在于，所述步骤2包括如下子步骤：
4.根据权利要求3所述的联邦学习中基于价值增益的贡献评估方法，其特征在于，所述步骤s21中预热模型为：
5.根据权利要求3所述的联邦学习中基于价值增益的贡献...
【专利技术属性】
技术研发人员：苗婷，刘军，赵子璇，陈姗姗，王梓秋，李钰颖，张玉强，杨洋，
申请(专利权)人：武昌理工学院，
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。