CN113609521B 一种基于对抗训练的联邦学习隐私保护方法及系统 （广州大学）

US2021150269A1,2021.一种基于对抗训练的联邦学习隐私保护方本发明公开了一种基于对抗训练的联邦学一对应的所述预设隐私分类器作为本地隐私分对所述目标分类器和所述本地隐私分类器进行2根据本地计算能力和本地隐私需求，将所述全局模型划分为特征提取器和目标分类将所述本地训练信息上传至所述服务器，以其中，所述根据本地数据集和所述特征提取器，对根据所述本地隐私分类器的损失函数、所述目标分类器的损失函根据本地数据集和所述特征提取器，采用所述特征提取损失函数对所述根据本地数据集和所述特征提取器，采用所述特征提预先根据批次大小，将所述本地数据集划分为多依次根据所述待训练数据集，通过所述特征提取器预先确定参与联邦学习的多个客户端，并向各个客户端发送全局模型，以使端根据本地计算能力和本地隐私需求，将所述全局模型划分为特征提取器和目标分类器，3所述响应于各个客户端上传所述本地训练信息，根据分别根据各个客户端的本地数据集大小、分类准根据各个客户端的所述权重分配指标为所有客户端分所述预先确定参与联邦学习的多个客户端，并向各个客将所述批次大小与所述全局模型同时发送给各个客户端，各个客户端根据本地计算能力和本地隐私需求，将所述全局所述服务器分别根据各个客户端的所述本地数据集大小、分第一训练模块，根据本地计算能力和本地隐私第一聚合模块，用于将所述本地训练信息上4第二任务模块，用于预先确定参与联邦学习的多个客户端第二聚合模块，用于响应于各个客户端上传所述本地训练信息所述模型聚合模块，用于分别根据各个客户端的本地所述任务接收模块，用于接收服务器发送的全局模型，根据所述模型训练模块，用于依次根据所述待训练数据集，5[0003]联邦学习允许设备利用本地数据训练得到本地模型，再由本地模型产生梯度(又避免联邦学习内容级隐私泄漏风险的发生的同时，有效提高联邦学习训练的准确率和效[0010]将所述本地训练信息上传至所述服务器，以使所述服务器根据所述本地训练信6[0025]分别根据各个客户端的本地数据集大小、分类准确率及预设隐私系数的加权聚78仅有效保护了各客户端的数据隐私，避免了联邦学习内容级隐私泄漏风险的发生的同时，[0053]图1是本发明实施例中基于对抗训练的联邦学习隐私保护方法应用于客户端的流[0054]图2是图1中步骤S12选取本地隐私分类器，进行对抗训练得到本地训练信息的流9[0055]图3是本发明实施例中基于对抗训练的联邦学习隐私保护方法应用于服务器的流[0056]图4是图3中步骤S22根据批次大小划分本地数据，进行多批次多迭代对抗训练的[0058]图6是本发明实施例中基于对抗训练的联邦学习隐私保护系统应用于客户端的结[0059]图7是本发明实施例中基于对抗训练的联邦学习隐私保护系统应用于服务器的结[0060]图8是本发明实施例中基于对抗训练的联邦学习隐私保护系统应用于服务器与客[0064]在一个实施例中，如图1所示，提供了一种基于对抗训练的联邦学习隐私保护方练，实现对客户端参与训练的本地数据按需添加隐私保护的基础上完成目标分类器的训户端B选择训练抗特征推理攻击隐私分类器，也可能客户端A和客户端B都选择训练抗重构具体的函数表达式取决于目标分类器的损失函数L(TC)和本地隐私分类器的损失函数LSVM合页损失函数、CrossEntropy交叉熵损失函数和SmoothL1损失函数等中选出符合要个客户端的每一轮迭代训练都会采用划分得到的所有待训练数据集完成对应的对抗训练，[0083]在一个实施例中，如图3所示，提供了一种基于对抗训练的联邦学习隐私保护方根据如下公式对所有客户端的本地模型进行加权平均，以更新服务器本地的全局模型参[0097]在一个实施例中，如图5所示，提供了一种基于对抗训练的联邦学习隐私保护方函数和所述特征提取器，对所述目标分类器和本地隐私分类器进行多批次多迭代对抗训[0103]在一个实施例中，如图6所示，提供了一种基于对抗训练的联邦学习隐私保护系[0107]在一个实施例中，如图7所示，提供了一种基于对抗训练的联邦学习隐私保护系[0111]在一个实施例中，如图8所示，提供了一种基于对抗训练的联邦学习隐私保护系[0118]所述数据划分模块322，用于根据所述批次大小将本地数据集划分为多个待训练端需将采用本地人脸图像数据输入特征提取器提取的对应人脸特征输入目标分类器识别[0121]关于基于对抗训练的联邦学习隐私保护系统的具体限定可以参见上文中对于基[0122]图9示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端[0126]综上，本发明实施例提供的一种基于对抗训练的联邦学习隐本地数据集大小、分类准确率及预设隐私系数为所有客户端分配对应的聚合权重系数后，[0128]以上所述实施例仅表达了本申请的几种优选实施