公开(公告)号：CN117422152A

公开(公告)日：2024-01-19

申请号：CN202311525326.1

申请日：2023-11-15

Applicant: 扬州大学

Inventor： 张佳乐 ,  李晔 ,  周子恒 ,  孙小兵 ,  陈玮彤

IPC: G06N20/00

Abstract: 本发明公开了一种基于自适应权重加权的公平性联邦学习方法及系统，方法包括：中央服务器初始化基础分布数量以及对应的基础模型参数；各客户端分别从中央服务器下载基础模型，初始化对每个基础模型的初始权重，每个客户端将公平性差距作为惩罚项引入模型训练，损失函数包括精度损失和公平性损失；各客户端利用本地自适应加权算法完成本地公平训练，完成本地训练后，客户端将更新后的模型参数和EOP差距上传至服务器聚合；中央服务器对每个基础模型从贡献度和公平性两个部分进行公平性聚合，得到新一轮的基础模型发送给各个客户端。本发明从本地和全局两个维度出发，保障了联邦学习在异构环境下高精度和高公平性。

公开(公告)号：CN114785510A

公开(公告)日：2022-07-22

申请号：CN202210025877.0

申请日：2022-01-11

Applicant: 扬州大学

Inventor： 张佳乐 ,  李晔 ,  陈玮彤 ,  薄莉莉 ,  孙小兵

IPC: H04L9/32 ,  H04L9/30

Abstract: 本发明公开了一种可验证的轻量化隐私保护联邦学习系统及方法，来防止局部梯度在传输阶段泄漏。本发明包括初始化模块、注册模块、局部训练模块、聚合和解密模块以及全局更新模块；在局部训练模块，基于Paillier同态密码体制和分布式选择性随机梯度下降(DSSGD)方法，提出了一种有效的PPFL机制，该机制可以保护局部模型梯度隐私，降低密码系统的计算成本。在聚合和解密模块，采用带边缘计算框架的在线/离线签名方法，实现了对数据完整性的轻量级局部梯度验证；通过将耗时的操作外包，降低了计算成本。