【技术实现步骤摘要】
本专利技术涉及联邦学习，更具体地，涉及一种基于动态差分隐私的联邦学习贡献度自适应评估方法及系统。
技术介绍
1、在数据驱动的时代，联邦学习作为一种新兴的分布式机器学习方法，凭借其在参与者本地进行数据训练、仅上传模型参数或梯度的特性，有效减少了数据暴露风险，为数据隐私保护提供了新的解决方案，已在医疗、金融、物联网等多个对数据隐私要求较高的领域得到广泛应用。与传统的集中式数据分析方法相比，联邦学习避免了原始数据的集中传输与存储，在保护数据隐私的同时，实现了跨机构、跨地域的数据协同利用，成为解决数据基于动态差分隐私的联邦学习贡献度自适应评估“可用不可见”基于动态差分隐私的联邦学习贡献度自适应评估问题的关键技术。然而，随着联邦学习应用的深入，如何准确评估各参与者对全局聚合模型的贡献，成为影响联邦学习系统公平性、激励机制设计以及模型优化的重要挑战。
2、现有的贡献度评估方法通常依赖于对梯度或模型参数的简单统计分析，例如直接基于梯度的范数、参数更新的幅度等指标来衡量参与者的贡献。这类方法忽略了参与者本地数据敏感度的差异以及噪声引入对评估...
【技术保护点】
1.一种基于动态差分隐私的联邦学习贡献度自适应评估方法，其特征在于，包括：
2.根据权利要求1所述的基于动态差分隐私的联邦学习贡献度自适应评估方法，其特征在于，根据下式，计算联邦学习参与者的数据敏感度：
3.根据权利要求1所述的基于动态差分隐私的联邦学习贡献度自适应评估方法，其特征在于，中央服务器根据历史贡献波动系数以及所述数据敏感度，为联邦学习参与者分配隐私预算，其表达式如下所示：
4.根据权利要求1所述的基于动态差分隐私的联邦学习贡献度自适应评估方法，其特征在于，根据下式，将所述噪声加入本地模型梯度中：
5.根据权利...
【技术特征摘要】
1.一种基于动态差分隐私的联邦学习贡献度自适应评估方法，其特征在于，包括：
2.根据权利要求1所述的基于动态差分隐私的联邦学习贡献度自适应评估方法，其特征在于，根据下式，计算联邦学习参与者的数据敏感度：
3.根据权利要求1所述的基于动态差分隐私的联邦学习贡献度自适应评估方法，其特征在于，中央服务器根据历史贡献波动系数以及所述数据敏感度，为联邦学习参与者分配隐私预算，其表达式如下所示：
4.根据权利要求1所述的基于动态差分隐私的联邦学习贡献度自适应评估方法，其特征在于，根据下式，将所述噪声加入本地模型梯度中：
5.根据权利要求4所述的基于动态差分隐私的联邦学习贡献度自适应评估方法，其特征在于，聚合服务器根据加噪后的本地模型梯度，计算联邦学习参与者的当前贡献度，包括：
6.根据权利要求5所述的基于动态差分隐私的联邦学习贡献度自适应评...
【专利技术属性】
技术研发人员：翁嘉思，段泽舟，翁健，李明，陈泯融，刘家男，
申请(专利权)人：暨南大学，
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。