公开(公告)号：CN116108908A

公开(公告)日：2023-05-12

申请号：CN202211394767.8

申请日：2022-11-08

Applicant: 贵州大学

Inventor： 陈玉玲 ,  龙钟 ,  杨义先 ,  李涛 ,  吴若岚

IPC: G06N3/082 ,  G06N3/098 ,  G06N3/0495

Abstract: 本发明设计一种基于梯度选择的联邦学习动态梯度压缩方法，旨在不损害模型性能下有效地降低通信开销。首先，模型使用了Top‑k稀疏化方法，找到梯度变化率较大的前k项值，这些值能够在后续压缩以及聚合中起到关键作用。然后，模型使用最佳位置编码来降低传送的数据量并进一步防范推理攻击。最后，模型采用了一种带有纠正的误差补偿机制，通过纠正一部分全局模型的压缩误差来提高局部模型的精度。总而言之，我们设计了一种高效安全的联邦学习梯度压缩模型，该方法可以动态地进行梯度压缩并保证在不损害模型精度的前提下降低通信开销。

公开(公告)号：CN115766169A

公开(公告)日：2023-03-07

申请号：CN202211394660.3

申请日：2022-11-08

Applicant: 贵州大学

Inventor： 陈玉玲 ,  吴若岚 ,  李涛 ,  龙钟 ,  周辉

IPC: H04L9/40

Abstract: 本发明设计一种联邦学习中恶意节点检测方法，旨在能有效选择节点的同时，准确识别并防止恶意节点作恶。首先，本方法利用余弦相似度计算每次上传的梯度向量的相似性来确定此次梯度的质量，并计算信誉值来选择优质节点。另外，通过余弦相似度判断节点是否为恶意。最后，将识别出的不同类型的节点进行相应的处理。总而言之，我们设计的联邦学习中恶意节点检测方法考虑了每轮独立判断恶意节点和双阈值设置，可以有效解决恶意攻击问题。