一种对等网络中基于可验证聚合和差分隐私的异步联邦学习方法
实质审查的生效
摘要
本发明公开了一种对等网络中基于可验证聚合和差分隐私的异步联邦学习方法。该联邦学习方法主要包括五个阶段：系统初始化阶段、注册阶段、本地模型训练阶段、模型分发阶段、模型聚合阶段。本发明针对异步联邦学习中的数据隐私保护和模型性能问题，提出了一种基于本地数据集测试和余弦值检测的可验证的联邦学习方案。在进行本地模型更新前，通过模型验证方案筛选出有效的模型更新，舍弃在验证测试中表现较差的模型更新，以提高聚合模型的性能。同时，在方案中设计了一种结合本地差分隐私方法的隐私保护方法以保证用户数据的安全。本发明在异步联邦学习场景下，达到了高可靠性、高安全性、高性能的设计目标，具有较强的实际运用价值。
基本信息
专利标题 ：
一种对等网络中基于可验证聚合和差分隐私的异步联邦学习方法
专利标题（英）：
暂无
公开（公告）号 ：
CN114363043A
申请号 ：
CN202111657350.1
公开（公告）日 ：
2022-04-15
申请日 ：
2021-12-30
授权号 ：
暂无
授权日 ：
暂无
发明人 ：
张磊高圆圆姚鑫
申请人 ：
华东师范大学
申请人地址 ：
上海市闵行区东川路500号
代理机构 ：
上海蓝迪专利商标事务所(普通合伙)
代理人 ：
徐筱梅
优先权 ：
CN202111657350.1
主分类号 ：
H04L9/40
IPC分类号 ：
H04L9/40 H04L9/32 H04L67/104 G06F21/60 G06F21/64 G06F21/62 G06N20/00
法律状态
2022-05-03 ：
实质审查的生效
IPC(主分类) : H04L 9/40
申请日 : 20211230
申请日 : 20211230
2022-04-15 ：
公开
注：本法律状态信息仅供参考，即时准确的法律状态信息须到国家知识产权局办理专利登记簿副本。
文件下载
暂无PDF文件可下载
