公开(公告)号：CN113361694B

公开(公告)日：2022-03-15

申请号：CN202110740543.7

申请日：2021-06-30

Applicant: 哈尔滨工业大学

Inventor： 张伟哲 ,  石路 ,  束建刚 ,  刘洋 ,  方滨兴

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/62 ,  G06V10/764 ,  G06V10/82 ,  G06F21/62

Abstract: 一种应用差分隐私保护的分层联邦学习方法及系统，涉及联邦学习技术领域，用以解决现有的端‑边‑云分层联邦学习方法不能有效且严格地减少训练数据的隐私泄露风险。本发明技术要点包括：客户端进行本地模型训练、求解本地模型参数与隐私保护；边缘服务器对多个包含扰动保护的本地模型参数进行端‑边聚合与隐私保护；云服务器对多个包含扰动保护的边缘聚合参数进行边‑云聚合计算，获得全局模型参数；迭代执行上述步骤直至每个客户端的本地更新次数达到其预设的本地更新总次数后停止执行，完成分层联邦学习模型训练。本发明实现了在分层联邦学习景下有效且严格地减少训练数据的隐私泄露风险。

公开(公告)号：CN113361694A

公开(公告)日：2021-09-07

申请号：CN202110740543.7

申请日：2021-06-30

Applicant: 哈尔滨工业大学

Inventor： 张伟哲 ,  石路 ,  束建刚 ,  刘洋 ,  方滨兴

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/62 ,  G06F21/62

Abstract: 一种应用差分隐私保护的分层联邦学习方法及系统，涉及联邦学习技术领域，用以解决现有的端‑边‑云分层联邦学习方法不能有效且严格地减少训练数据的隐私泄露风险。本发明技术要点包括：客户端进行本地模型训练、求解本地模型参数与隐私保护；边缘服务器对多个包含扰动保护的本地模型参数进行端‑边聚合与隐私保护；云服务器对多个包含扰动保护的边缘聚合参数进行边‑云聚合计算，获得全局模型参数；迭代执行上述步骤直至每个客户端的本地更新次数达到其预设的本地更新总次数后停止执行，完成分层联邦学习模型训练。本发明实现了在分层联邦学习景下有效且严格地减少训练数据的隐私泄露风险。