公开(公告)号：CN118095411A

公开(公告)日：2024-05-28

申请号：CN202410076522.3

申请日：2024-01-18

Applicant: 北京工业大学

Inventor： 王莹莹 ,  靳晓宁 ,  赖英旭 ,  刘静 ,  庄俊玺 ,  平皓弟

IPC: G06N3/098 ,  G06N3/0464 ,  G06F18/15 ,  G06F18/2135 ,  G06F18/23213 ,  G06F18/2337 ,  G06F18/2433 ,  G06V10/96 ,  G06V10/72 ,  G06V10/762 ,  G06V10/764 ,  G06V10/77 ,  G06V10/82

Abstract: 本发明公开一种提高联邦学习鲁棒性的方法，该方法包括一个异常检测模型和一种参与方节点处置方法，异常检测模型依据参与方节点上传的模型参数判断参与方的异常程度，根据模型参数在空间中分布的稀疏程度以及模型参数距离高密度模型参数群体的远近程度作为参与方模型的异常性特征；结合FCM聚类算法，把联邦系统的参与方节点归为正常节点、可疑节点或者异常节点。参与方节点处置方法的作用是，在模型全局聚合阶段前，根据每个节点所处的类别将其模型参数加权，根据业务需求采用不同的算法将加权后的模型参数聚合。该方法可以检测包括数据投毒攻击、常数模型攻击和随机数模型攻击在内的多种攻击节点，且具有使用范围广、使用方便等优点。