公开(公告)号：CN119011114A

公开(公告)日：2024-11-22

申请号：CN202411019509.0

申请日：2024-07-29

Applicant: 广东工业大学

Inventor： 陈家辉 ,  谢正南

IPC: H04L9/00 ,  G06N20/00 ,  G06F21/62 ,  H04L9/08

Abstract: 本发明提供一种基于多项式分解问题的同态加密联邦学习方法，包括服务器将全局模型参数广播给各个客户端；客户端收到全局模型参数后使用本地数据训练全局模型作为自己的本地模型并发送给指定的可信的第三方加密模块；第三方加密模块将本地模型参数转换为同型的参数矩阵；并将参数矩阵中的元素位置初始化为多项式分式；并将所有客户端的多项式分式发送给服务器；服务器接收来自第三方加密模块的多项式分式后，使用定义法计算相应的反常积分，逐步还原聚合后的模型。本发明能够进一步防止隐私泄露，强化联邦学习框架的隐私安全性；本发明具有能抵抗客户端模型参数的投毒攻击、模型的推理和反演攻击的优点。

公开(公告)号：CN118781424A

公开(公告)日：2024-10-15

申请号：CN202410932420.7

申请日：2024-07-12

Applicant: 广东工业大学

Inventor： 陈家辉 ,  向春香 ,  谢正南

IPC: G06V10/764 ,  G06V10/74 ,  G06V10/82 ,  G06N20/00 ,  G06N3/0464 ,  G06N3/098 ,  G06N3/0895

Abstract: 本发明公开了一种基于锚点对齐个性化联邦学习的图像分类方法及系统，该方法包括：获取图像分类数据集、本地模型和全局模型；生成锚点，并根据全局类中心为所述锚点分配类标签；根据全局模型的分类器参数对本地模型进行初始化；用锚点指导本地模型的训练，计算本地类中心和更新本地模型；更新全局模型的分类器参数和全局类中心；循环训练步骤得到最终分类模型；基于最终分类模型输出分类结果。该系统包括：服务器，用于执行全局模型的训练；客户端，用于执行本地模型的训练。本发明可广泛应用于联邦学习领域。