-
公开(公告)号：CN113282960B
公开(公告)日：2023-02-17
申请号：CN202110654316.2
申请日：2021-06-11
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于联邦学习的隐私计算方法、装置、系统及设备，所述方法应用于服务器端，包括：确定参与本次迭代训练的各目标客户端；将预设的剪裁参数发送至各目标客户端，以使各目标客户端对子模型参数变化值进行剪裁；接收剪裁后的子模型参数变化值并进行聚合处理，得到聚合模型参数变化值；基于加噪处理后得到的聚合模型参数变化值与本次迭代目标聚合模型参数，更新目标聚合模型参数；在当前迭代满足预设收敛条件时，按照中心极限定理，利用f‑差分隐私机制对目标聚合模型的隐私参数值进行计算；在不满足时返回执行确定参与本次迭代训练的各目标客户端的步骤。本发明实施例，能够对基于联邦学习的模型隐私参数进行计算。
-
公开(公告)号：CN115481441A
公开(公告)日：2022-12-16
申请号：CN202211168249.4
申请日：2022-09-23
Applicant: 广东省农村信用社联合社 , 北京邮电大学
Abstract: 本发明提供一种面向联邦学习的差分隐私保护方法及装置，该方法包括：获取参与当前轮学习的各个客户端上传的模型权重差；根据当前轮学习对应的裁剪参数，对所述各个客户端上传的模型权重差分别执行裁剪操作；对执行裁剪操作后的各个模型权重差进行聚合，并根据当前轮学习对应的高斯噪声分布对聚合后的模型权重差进行加噪处理，完成当前轮学习的模型更新；其中，当前轮学习对应的高斯噪声分布根据当前轮学习对应的噪声尺度和当前轮学习对应的裁剪参数确定，各轮次学习对应的噪声尺度随学习轮次的增加逐渐减小。能够使所加噪声贴合当前客户端上传的模型权重信息特点，从而获得更高的模型精度，并有效减少差分隐私保护中的隐私预算。
-
公开(公告)号：CN113282960A
公开(公告)日：2021-08-20
申请号：CN202110654316.2
申请日：2021-06-11
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于联邦学习的隐私计算方法、装置、系统及设备，所述方法应用于服务器端，包括：确定参与本次迭代训练的各目标客户端；将预设的剪裁参数发送至各目标客户端，以使各目标客户端对子模型参数变化值进行剪裁；接收剪裁后的子模型参数变化值并进行聚合处理，得到聚合模型参数变化值；基于加噪处理后得到的聚合模型参数变化值与本次迭代目标聚合模型参数，更新目标聚合模型参数；在当前迭代满足预设收敛条件时，按照中心极限定理，利用f‑差分隐私机制对目标聚合模型的隐私参数值进行计算；在不满足时返回执行确定参与本次迭代训练的各目标客户端的步骤。本发明实施例，能够对基于联邦学习的模型隐私参数进行计算。
-
-
Search Results
3
records
(took 0.021 seconds)
