公开(公告)号：CN119830347A

公开(公告)日：2025-04-15

申请号：CN202411945969.6

申请日：2024-12-26

Applicant: 南京邮电大学

Inventor： 戴华 ,  陈俊杰 ,  王周生 ,  周浩 ,  沈嘉和 ,  李惠 ,  杨庚

IPC: G06F21/62 ,  G06F18/214 ,  G06F18/22 ,  G06F18/23 ,  G06F18/24 ,  G06N3/098

Abstract: 本发明涉及联邦学习、隐私保护等技术，属于信息安全技术领域，公开了一种针对数据异构的高效客户端筛选隐私保护的联邦学习方法，该方法主要包含两个部分，分别是数据采样阶段和本地训练阶段，在数据采样阶段，所有客户端生成梯度相似度矩阵，对梯度相似性高的客户端进行分组；每组内，计算每个客户端对模型训练的贡献值，选择贡献值较高的客户端作为训练集，在本地训练阶段，根据客户端的隐私需求生成个性化的隐私预算，根据隐私预算向本地模型注入噪声以实现对模型参数的差分隐私保护。该方法能够筛选出数据质量高的客户端，加快模型收敛速度，且能够满足客户端的个性化隐私需求，对数据提供较强的隐私保护。