一种基于异构和长尾数据的联邦学习方法及系统

    公开(公告)号:CN118644765B

    公开(公告)日:2024-11-08

    申请号:CN202411104260.3

    申请日:2024-08-13

    Abstract: 本发明公开了图像识别领域的一种基于异构和长尾数据的联邦学习方法及系统,方法包括:客户端接收全局模型和重训练模型,以及获取异构和长尾数据集,并对全局模型进行本地训练,以及利用重训练模型计算真实特征的梯度;客户端将本地模型和真实特征的梯度发送到服务器端聚合,得到聚合后的全局模型和类C的聚合特征梯度;服务器端构建类C的虚拟特征,并计算虚拟特征梯度,通过比较两个特征梯度之间的差异,选择一个最优的虚拟特征梯度,并获得对应的最新虚拟特征;服务器端将聚合后的全局模型和最新的重训练模型发送至客户端,完成当前迭代轮次的训练;本发明能够解决因异构和长尾数据导致联邦学习准确率低问题,从而有效保护数据的隐私。

    一种基于异构和长尾数据的联邦学习方法及系统

    公开(公告)号:CN118644765A

    公开(公告)日:2024-09-13

    申请号:CN202411104260.3

    申请日:2024-08-13

    Abstract: 本发明公开了图像识别领域的一种基于异构和长尾数据的联邦学习方法及系统,方法包括:客户端接收全局模型和重训练模型,以及获取异构和长尾数据集,并对全局模型进行本地训练,以及利用重训练模型计算真实特征的梯度;客户端将本地模型和真实特征的梯度发送到服务器端聚合,得到聚合后的全局模型和类C的聚合特征梯度;服务器端构建类C的虚拟特征,并计算虚拟特征梯度,通过比较两个特征梯度之间的差异,选择一个最优的虚拟特征梯度,并获得对应的最新虚拟特征;服务器端将聚合后的全局模型和最新的重训练模型发送至客户端,完成当前迭代轮次的训练;本发明能够解决因异构和长尾数据导致联邦学习准确率低问题,从而有效保护数据的隐私。

Patent Agency Ranking