公开(公告)号：CN115021905B

公开(公告)日：2023-01-10

申请号：CN202210568921.2

申请日：2022-05-24

Applicant: 北京交通大学

Inventor： 王伟 ,  叶珩 ,  刘吉强

IPC: H04L9/08 ,  H04L9/40 ,  G06N20/00

Abstract: 本发明提供了一种联邦学习本地模型参数聚合方法。该方法包括：联邦学习的中心服务器初始化全局模型，将最新的全局模型参数进行发布；各个客户端向中心服务器请求用于计算掩码的秘密，各个客户端接收服务器下发的用于计算掩码的秘密；各个客户端使用本地数据在全局模型参数基础上进行本地训练，获得本地模型更新参数；各个客户端利用秘密计算出掩码，向中心服务器上传利用自己的掩码隐私保护处理后的本地模型更新参数；中心服务器聚合所有全局模型更新参数，统一消除客户端上传的本地模型更新参数所带掩码以获得全局模型更新参数，使用全局模型更新参数进行全局模型更新。本发明方法在有效保护了联邦学习客户端上传的隐私性的同时，取消了客户端间的交互要求，极大提升了隐私保护的联邦学习效率。

公开(公告)号：CN115021905A

公开(公告)日：2022-09-06

申请号：CN202210568921.2

申请日：2022-05-24

Applicant: 北京交通大学

Inventor： 王伟 ,  叶珩 ,  刘吉强

IPC: H04L9/08 ,  H04L9/40 ,  G06N20/00

Abstract: 本发明提供了一种联邦学习本地模型参数聚合方法。该方法包括：联邦学习的中心服务器初始化全局模型，将最新的全局模型参数进行发布；各个客户端向中心服务器请求用于计算掩码的秘密，各个客户端接收服务器下发的用于计算掩码的秘密；各个客户端使用本地数据在全局模型参数基础上进行本地训练，获得本地模型参数；各个客户端利用秘密计算出掩码，向中心服务器上传利用自己的掩码隐私保护处理后的本地模型参数；中心服务器消除客户端上传的本地模型参数所带掩码，所有客户端的本地模型参数进行聚合，进行全局模型更新。本发明方法在有效保护了联邦学习客户端上传的隐私性的同时，取消了客户端间的交互要求，极大提升了隐私保护的联邦学习效率。