-
公开(公告)号：CN118300904A
公开(公告)日：2024-07-05
申请号：CN202410726000.3
申请日：2024-06-06
Applicant: 暨南大学
Abstract: 本发明公开了一种基于同态的分组可验证联邦学习方法，包括初始化阶段、本地模型训练及参数上传阶段、聚合阶段以及验证阶段。初始化阶段主要进行参数生成等过程，为后续模型训练做准备；本地模型训练及参数上传阶段由参与方进行本地模型训练并对模型参数施加掩码、分组内生成验证标签、以组为单位以秘密分享的方式上传参数等过程，确保后续信息聚合；聚合阶段由双服务器完成，将接收到的参数与标签分别聚合，再将结果发送给各参与方；验证阶段基于同态加密技术通过验证标签对聚合结果进行检验。本发明通过参与方验证聚合结果的正确性来防止恶意服务器篡改参数和返回错误聚合结果，保证了模型的正确性及可用性。
-
公开(公告)号：CN118520974B
公开(公告)日：2024-10-22
申请号：CN202410978012.5
申请日：2024-07-22
Applicant: 暨南大学
Abstract: 本发明涉及一种衡量用户可靠性的鲁棒安全联邦学习聚合方法，包括：S1、获取若干个本地数据，基于若干个本地数据训练全局模型，获取本地模型；S2、将本地模型进行拆分，将拆分后的本地模型发送至若干服务器；S3、基于若干服务器计算本地模型份额与全局模型间的欧式距离，对欧式距离进行处理，获取可靠性值；S4、根据可靠性值以及本地模型，获取聚合模型，通过聚合模型对本地模型进行更新并训练；S5、重复步骤S1‑S4，直至聚合模型达到预设标准，获取标准的聚合模型。本发明在保护用户数据隐私的同时，还有效降低了拜占庭攻击者以及低质量用户带来的负面影响，提高了联邦学习聚合方案的安全性、鲁棒性以及效率。
-
公开(公告)号：CN118520974A
公开(公告)日：2024-08-20
申请号：CN202410978012.5
申请日：2024-07-22
Applicant: 暨南大学
Abstract: 本发明涉及一种衡量用户可靠性的鲁棒安全联邦学习聚合方法，包括：S1、获取若干个本地数据，基于若干个本地数据训练全局模型，获取本地模型；S2、将本地模型进行拆分，将拆分后的本地模型发送至若干服务器；S3、基于若干服务器计算本地模型份额与全局模型间的欧式距离，对欧式距离进行处理，获取可靠性值；S4、根据可靠性值以及本地模型，获取聚合模型，通过聚合模型对本地模型进行更新并训练；S5、重复步骤S1‑S4，直至聚合模型达到预设标准，获取标准的聚合模型。本发明在保护用户数据隐私的同时，还有效降低了拜占庭攻击者以及低质量用户带来的负面影响，提高了联邦学习聚合方案的安全性、鲁棒性以及效率。
-
-
Search Results
3
records
(took 0.017 seconds)
