-
公开(公告)号:CN118965417A
公开(公告)日:2024-11-15
申请号:CN202410776703.7
申请日:2024-06-17
Applicant: 北京理工大学
IPC: G06F21/62 , G06N3/0499 , G06N3/084 , G06N3/098 , G06V10/764 , G06V10/82 , H04L9/00 , H04L9/08
Abstract: 本发明涉及一种可验证纵向联邦学习隐私保护方法,属于联邦学习技术领域。本发明包括步骤:1、构建初始化模型;2、对参与方Z实现训练数据的样本对齐;3、可信第三方向参与方Z分发加密密钥对;4、参与方Z执行本地模型前向训练得到中间结果;5、参与方Z将中间结果经过同态加密后进行互换,进而,得到互换中间结果;6、计算本地模型梯度;7、计算验证集损失函数与贡献值;8、本地模型反向模型更新训练;9、重复步骤4至步骤8,直到训练停止。本发明提出一种可验证纵向联邦学习隐私保护方法用于提升模型的性能。通过在训练的过程中,使用夏普利值来计算被动方的贡献值,进而验证被动方本地模型的性能,提升全局模型的准确率。