保护隐私的可控轻量化联邦学习方法、系统和检测方法

授权

摘要

本发明公开了保护隐私的可控轻量化联邦学习方法、系统和检测方法，预先设定模型、参数与模型压缩所需的调节因子。子网利用本地数据对初始模型进行训练，并根据调节因子计算本地模型压缩快照。确定最优节点的压缩模型为基准根据快照与设定的通道恢复阈值进行首轮模型聚合与压缩形成全局压缩模型。子网再利用本地数据对全局压缩模型进行训练，对各子网训练的模型再直接聚合，依次迭代直至收敛。无需收集各子网训练集数据或存储训练集数据从而保证了本地数据的隐私性，并通过可控轻量化联邦学习减少网络通信负担与本地计算负载。

基本信息

专利标题：

保护隐私的可控轻量化联邦学习方法、系统和检测方法

专利标题（英）：

暂无

公开（公告）号：

CN114077755A

申请号：

CN202210057267.9

公开（公告）日：

2022-02-22

申请日：

2022-01-19

授权号：

CN114077755B

授权日：

2022-05-31

发明人：

孙知信徐玉华赵学健孙哲胡冰宫婧汪胡青

申请人：

南京邮电大学

申请人地址：

江苏省南京市栖霞区文苑路9号

代理机构：

南京纵横知识产权代理有限公司

代理人：

朱远枫

优先权：

CN202210057267.9

主分类号：

G06F21/62

IPC分类号：

G06F21/62 G06N3/04 G06N3/08