公开(公告)号：CN117807597A

公开(公告)日：2024-04-02

申请号：CN202410043699.3

申请日：2024-01-11

Applicant: 北京工业大学

Inventor： 林莉 ,  赵云飞 ,  沈薇 ,  宋传兰 ,  钱程

IPC: G06F21/56 ,  G06N3/098 ,  G06F18/213 ,  G06F18/214 ,  G06F18/2451

Abstract: 本发明公开了面向后门攻击的鲁棒个性化联邦学习方法，所述方法包含异构的个性化模型训练方法和基于参数扰动的后门攻击抵御方法两部分。通过联合训练特征提取层学习通用的数据表示，提高模型的泛化能力，客户端根据自身计算资源和数据分布选择适合自己的本地分类器结构，实现了对硬件资源的充分使用，同时能够保护自身的分类器结构不被泄露；客户端通过对特征提取器中后门神经元添加高斯噪声，降低了模型对后门触发器的拟合程度，从而缓解恶意客户端的后门攻击效果。

公开(公告)号：CN117764199A

公开(公告)日：2024-03-26

申请号：CN202311732306.1

申请日：2023-12-16

Applicant: 北京工业大学

Inventor： 林莉 ,  沈薇 ,  赵云飞 ,  姚德 ,  陈振坤 ,  汤嘉琦

IPC: G06N20/00 ,  G06F18/23

Abstract: 本发明公开了面向医疗数据异构场景的联邦学习公平性提升方法，包括：参与方在本地基于医疗数据样本调整策略执行本地预训练；医疗云中心服务器基于参与方上传的相似模型参数聚类生成参与方簇；医疗边缘服务器基于公平选择医疗参与方机制进行簇内训练，收集簇内参与方的模型测试准确率并计算簇平均准确率；医疗云中心服务器通过簇平均准确率计算权重并进行全局聚合，下发全局模型参数。引入聚类的思想，考虑异构场景下参与方医疗样本数据量不平衡、群体大小存在差异的更复杂情形，给出自适应医疗数据样本调整策略、公平选择医疗参与方机制，在全局医疗模型聚合方法中引入动态调整策略，降低全局模型在各参与方之间的性能差异提升公平性。