【技术实现步骤摘要】
本专利技术涉及联邦学习领域，具体涉及一种基于反向拍卖的联邦学习激励方法、装置及系统。
技术介绍
1、联邦学习（federated learning，fl）作为一种分布式机器学习方法，近年来受到了众多研究学者的关注，被广泛应用于多种领域，如智慧医疗、智慧城市、金融和智能工业等。
2、在联邦学习中，数据保留在本地物理域中，参与节点使用自身数据分别训练本地模型，并共同建立联合模型。联邦学习激励机制是联邦学习系统中用于鼓励和促进参与者积极参与模型训练的机制。在联邦学习中，多个参与者共同协作，训练一个共享的机器学习模型，同时保持各自的数据隐私不被泄露。由于参与者需要消耗自己的计算资源和电力来进行模型的训练，因此需要一种激励机制来补偿这些成本，并鼓励参与者贡献高质量的数据和计算资源。
3、而如何更合理、有效地提升参与方的动力，保护参与方敏感信息不被泄露，是业界需要解决的一个重要问题。
技术实现思路
1、本专利技术提供一种基于反向拍卖的联邦学习激励方法、装置及系统，以解决现有联邦...
【技术保护点】
1.一种基于反向拍卖的联邦学习激励方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于反向拍卖的联邦学习激励方法，其特征在于，所述竞价信息为加密信息；所述方法还包括：
3.根据权利要求2所述的基于反向拍卖的联邦学习激励方法，其特征在于，所述基于预算约束和所述竞价信息，利用反向拍卖算法确定参与联邦学习的客户端包括：
4.根据权利要求3所述的基于反向拍卖的联邦学习激励方法，其特征在于，所述评估指标包括一个或多个；多个评估指标具有相同或不同的权重。
5.根据权利要求4所述的基于反向拍卖的联邦学习激励方法，其特征在于，...
【技术特征摘要】
1.一种基于反向拍卖的联邦学习激励方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于反向拍卖的联邦学习激励方法，其特征在于，所述竞价信息为加密信息；所述方法还包括：
3.根据权利要求2所述的基于反向拍卖的联邦学习激励方法，其特征在于，所述基于预算约束和所述竞价信息，利用反向拍卖算法确定参与联邦学习的客户端包括：
4.根据权利要求3所述的基于反向拍卖的联邦学习激励方法，其特征在于，所述评估指标包括一个或多个；多个评估指标具有相同或不同的权重。
5.根据权利要求4所述的基于反向拍卖的联邦学习激励方法，其特征在于，所述多个评估指标包括以下至少两种或多种：数据质量、计算能力、网络带宽。
6.根据权利要求1所述的基于反向拍卖的联邦学习激励方法，其特征在于，所述根据所述更新模型密文生成新的全局模型包括：
7.根据权利要求1所述的基于反向拍卖的联邦学习激励方法，其特征在于，所述确定各客户端的奖励包括：
8.根据权利要求1所述的基于反向拍卖的联邦...
【专利技术属性】
技术研发人员：曹扬，朱策，管桂林，杨波，蔡惠民，
申请(专利权)人：中电科大数据研究院有限公司，
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。