公开(公告)号：CN119558430B

公开(公告)日：2025-05-02

申请号：CN202510113522.0

申请日：2025-01-24

Applicant: 北京大数据先进技术研究院

Inventor： 姜海鸥 ,  马郓 ,  刘坤 ,  马新建

IPC: G06N20/00 ,  G06F18/22

Abstract: 本申请公开了一种基于去中心化梯度聚合的跨孤岛联邦学习模型训练方法，应用于本地服务器，属于数据模型训练领域，包括：在本地训练轮次落后于全局训练轮次的情况下，对训练梯度数据进行过滤以获得诚实训练梯度数据，并根据诚实训练梯度数据对本地数据模型的配置对本地数据模型进行训练；根据更新训练梯度数据，向外地服务器发起更新申请，以使得外地服务器进行更新，并根据更新结果对本地训练轮次更新；在获取到的聚合申请达到预设数量时，对全局训练轮次和训练梯度数据进行更新。本申请消除了中央服务器的同时，提高了跨孤岛联邦学习模型训练的安全性、可靠性和训练效率，解决了模型训练安全性低和网络开销大的问题。

公开(公告)号：CN119558430A

公开(公告)日：2025-03-04

申请号：CN202510113522.0

申请日：2025-01-24

Applicant: 北京大数据先进技术研究院

Inventor： 姜海鸥 ,  马郓 ,  刘坤 ,  马新建

IPC: G06N20/00 ,  G06F18/22

Abstract: 本申请公开了一种基于去中心化梯度聚合的跨孤岛联邦学习模型训练方法，应用于本地服务器，属于数据模型训练领域，包括：在本地训练轮次落后于全局训练轮次的情况下，对训练梯度数据进行过滤以获得诚实训练梯度数据，并根据诚实训练梯度数据对本地数据模型的配置对本地数据模型进行训练；根据更新训练梯度数据，向外地服务器发起更新申请，以使得外地服务器进行更新，并根据更新结果对本地训练轮次更新；在获取到的聚合申请达到预设数量时，对全局训练轮次和训练梯度数据进行更新。本申请消除了中央服务器的同时，提高了跨孤岛联邦学习模型训练的安全性、可靠性和训练效率，解决了模型训练安全性低和网络开销大的问题。