公开(公告)号：CN118504712B

公开(公告)日：2024-11-26

申请号：CN202410700416.8

申请日：2024-05-31

Applicant: 重庆大学

Inventor： 胡春强 ,  周于榆 ,  张今革 ,  蔡斌 ,  夏晓峰

IPC: G06N20/00 ,  G06F21/62 ,  G06F18/22

Abstract: 本发明提供了一种基于本地差分隐私的联邦学习方法及系统。该方法包括：用户端从服务器端获取本轮的全局模型和全局模型参数更新；获取本轮的全局模型参数更新与上一轮的全局模型参数更新的相似度；若相似度小于回溯阈值，通过本地数据训练获得本轮的本地模型参数更新，获得本轮的本地模型参数噪音更新；若相似度大于或等于回溯阈值，从历史全局模型参数更新集中选取与本轮的全局模型参数更新最相似的历史全局模型参数更新，将选取的历史全局模型参数更新所属轮次的本地模型参数噪音更新作为本轮的本地模型参数噪音更新；上传本轮的本地模型参数噪音更新至服务器端。本发明可避免不必要的本地训练过程，节省计算资源和训练时间，自适应调整添噪声。

公开(公告)号：CN118504712A

公开(公告)日：2024-08-16

申请号：CN202410700416.8

申请日：2024-05-31

Applicant: 重庆大学

Inventor： 胡春强 ,  周于榆 ,  张今革 ,  蔡斌 ,  夏晓峰

IPC: G06N20/00 ,  G06F21/62 ,  G06F18/22

Abstract: 本发明提供了一种基于本地差分隐私的联邦学习方法及系统。该方法包括：用户端从服务器端获取本轮的全局模型和全局模型参数更新；获取本轮的全局模型参数更新与上一轮的全局模型参数更新的相似度；若相似度小于回溯阈值，通过本地数据训练获得本轮的本地模型参数更新，获得本轮的本地模型参数噪音更新；若相似度大于或等于回溯阈值，从历史全局模型参数更新集中选取与本轮的全局模型参数更新最相似的历史全局模型参数更新，将选取的历史全局模型参数更新所属轮次的本地模型参数噪音更新作为本轮的本地模型参数噪音更新；上传本轮的本地模型参数噪音更新至服务器端。本发明可避免不必要的本地训练过程，节省计算资源和训练时间，自适应调整添噪声。