【技术实现步骤摘要】
本专利技术涉及一种基于零知识证明的可信联邦大模型非线性激活函数验证方法，属于数据安全与隐私保护领域。
技术介绍
1、联邦大模型作为一种保护数据隐私的分布式机器学习方法，广泛应用于医疗、金融和物联网等领域。通过本地训练和参数共享，联邦大模型无需传输原始数据即可优化全局模型。然而，其分布式特性对数据空间的完整性和模型计算的正确性提出了严峻挑战，尤其是非线性激活函数的验证对保障全局大模型性能尤为关键。
2、relu函数是深度学习模型拟合复杂非线性关系的核心组件，但其计算结果仅在本地可见。若存在恶意参与方提交错误结果，可能导致全局模型训练失效。因此，验证非线性激活函数的计算正确性，不仅能提升全局模型训练的可信性，还能确保数据空间的一致性和完整性。
3、零知识证明技术为上述问题提供了有效解决方案。其核心特性是：在不泄露数据本身的情况下，证明者可以向验证者证明某一计算结果的正确性。通过结合零知识证明协议，参与方可以构建激活函数的电路约束关系，并生成计算结果的证明，验证者只需验证该证明，无需访问原始数据即可确认结果的正确性。这...
【技术保护点】
1.一种基于零知识证明的可信联邦大模型非线性激活函数验证方法，其特征在于，包括：
2.根据权利要求1所述的一种基于零知识证明的可信联邦大模型非线性激活函数验证方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的一种基于零知识证明的可信联邦大模型非线性激活函数验证方法，其特征在于，所述步骤2包括：
4.根据权利要求1所述的一种基于零知识证明的可信联邦大模型非线性激活函数验证方法，其特征在于，所述步骤3包括：
【技术特征摘要】
1.一种基于零知识证明的可信联邦大模型非线性激活函数验证方法，其特征在于，包括：
2.根据权利要求1所述的一种基于零知识证明的可信联邦大模型非线性激活函数验证方法，其特征在于，所述步骤1包括：
3.根据...
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。