公开(公告)号：CN119808995A

公开(公告)日：2025-04-11

申请号：CN202411881077.4

申请日：2024-12-19

Applicant: 北京理工大学 ,  中国信息通信研究院

Inventor： 刘陶 ,  徐瑞晨 ,  吴怡 ,  胡晨菲 ,  张川

IPC: G06N20/00 ,  G06F11/34 ,  G06F18/22 ,  G06F18/23213 ,  H04L9/40 ,  G06F21/62 ,  G06F21/60

Abstract: 本公开提供了一种基于功能加密进行模型质量评估的联邦学习方法，该方法中，服务器选中多个客户端建立联邦学习协议，生成主公钥和主私钥；服务器针对给定的全局模型，计算全局模型更新并处理到整数域，结合主私钥计算解密密钥。服务器向选中的客户端发送全局模型和主公钥；客户端利用全局模型计算本地模型更新并处理到整数域，结合主公钥生成密文发送给服务器。服务器用解密密钥对密文解密，计算解密的客户端本地模型与服务器全局模型的余弦相似度。通过余弦相似度聚类将客户端模型分为高质量、合格、低质量模型并分配权值，由服务器通过加权聚合更新全局模型。使用本发明能够在高效且保护隐私的基础上进行模型质量评估，进而实现全局模型更新。

公开(公告)号：CN119834964A

公开(公告)日：2025-04-15

申请号：CN202411891562.X

申请日：2024-12-20

Applicant: 北京理工大学 ,  中国信息通信研究院

Inventor： 徐彧铧 ,  吴怡 ,  胡晨菲 ,  黄玮 ,  张川 ,  祝烈煌

IPC: H04L9/08 ,  G06V10/94 ,  G06N20/00 ,  H04L9/40

Abstract: 本发明提供一种基于排名联邦学习的隐私保护且通信高效的图像识别方法，通过传输基于排名的投票数而不是传统的梯度，以提高通信效率。结合秘密共享协议和Diffie‑Hellman密钥协议，设计了一种能够保护客户端本地上传的基于排名参数隐私的双重掩码机制，恶意云服务器或客户端均不能使用其掌握的信息来推断其他客户端的隐私信息，解决了联邦学习中客户端共享的中间模型参数仍可能暴露本地数据信息的问题。此外，通过一些在线客户端交互实现掩码重建，以支持在联邦学习过程中客户端退出时的准确聚合。