CN119538297A 一种基于客户端分组的联邦学习隐私保护方法 (安徽工业大学)_第1页
CN119538297A 一种基于客户端分组的联邦学习隐私保护方法 (安徽工业大学)_第2页
CN119538297A 一种基于客户端分组的联邦学习隐私保护方法 (安徽工业大学)_第3页
CN119538297A 一种基于客户端分组的联邦学习隐私保护方法 (安徽工业大学)_第4页
CN119538297A 一种基于客户端分组的联邦学习隐私保护方法 (安徽工业大学)_第5页
已阅读5页,还剩22页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于客户端分组的联邦学习隐私保护本发明公开了一种基于客户端分组的联邦基于Jensen_Shannon散度对数据分布相似的客集平衡程度量化,确定不同组之间隐私保护级2训练后模型的聚合更新,将经本地训练后的模型参数上传到中央服务器进行聚合更客户端分组和全局聚合,中央服务器接收客中央服务器接收客户端发送的模型参数,并根据Jens在同一组内实施相同级别的差分隐私技术,在不同组间实施不同级别的差分隐私技然后所有客户端反馈新一轮的全局模型,直至联邦学习所述本地模型训练步骤中客户端接收全局模型参数,并根据自身拥所述训练后模型的聚合更新步骤中客户端发送其经本地训练后更新的全局模型参数所述更新后的模型下发步骤中客户端重复执行根据中央服务器下发的全局模型参数有客户端内全局模型收敛或者达到设定的全局模3N个客户端组成的集合C被分成子集,其中包含的客户端根据其数据相似度进行分组,2i中的客户端数量;客户端使用其本地数据训练接收到的模型,然后将其剪裁更新df以及剪裁指示符在第一步中,来自每个子集Ci中的客户端的更新通过一个(∈i,δi)差分隐私平均函数t第一下发模块,用于中央服务器下发全局模型参数至所有客户第一接收模块,用于客户端接收广播的全局模型参数,全局第二接收模块,用于中央服务器接收所有客户端上传的经本4重复执行模块,用于中央服务器判断联邦学习系统中所有客户行时实现如权利要求1_7中任一项所述的基于客户端分组的联邦学习隐5[0004]以及中国专利公开了一种面向异构数据的本地差分隐私联邦学习训练方法及系6[0011]本地模型训练,各个客户端根据自身拥有的本地数据依据全局模型参数进行训散度对客户端进行数据相似度判断,结合客户端之间的相关程度对客户端做更细致的划7[0026]所述训练后模型的聚合更新步骤中客户端发送其经本地训练后更新的全局模型[0027]所述更新后的模型下发步骤中客户端重复执行根据中央服务器下发的全局模型中所有客户端内全局模型收敛或者达到设定的全12i中的客户端数量;8被所述处理器执行时实现如权利要求1_7中任一项所述的基于客户端分组的联邦学习隐私如权利要求1_7中任一项所述的基于客户端分组的联邦学[0061]本发明提供了一种基于客户端分组的联邦学习隐私保护方法。具备以下有益效9散度对客户端进行数据相似度判断,结合客户端之间的相关程度对客户端做更细致的划12i中的客户端数量;[0112]基于异构差分隐私的联邦学习隐私保护系统在应用时实现上述的基于客户端分个可用介质集合的服务器、数据中心等数据存储设备。算机软件产品

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论