公开(公告)号：CN118013579A

公开(公告)日：2024-05-10

申请号：CN202410175708.4

申请日：2024-02-07

Applicant: 桂林电子科技大学 ,  南宁桂电电子科技研究院有限公司

Inventor： 李龙 ,  刘振参 ,  李晶晶 ,  何松兴 ,  孙希延 ,  常亮

IPC: G06F21/62 ,  G06F18/214 ,  G06F18/2411

Abstract: 本发明涉及一种结合局部噪声削减机制的联邦学习隐私保护方法，包括：步骤1、客户端接收中央服务器发送的全局模型，判断全局模型是否完成训练，若完成训练则训练结束，若未完成训练，则对添加高斯噪声的全局模型进行局部噪声消减处理，获取本地训练初始模型；步骤2、客户端根据本地样本和本地训练初始模型进行更新，获取局部消噪模型；步骤3、将局部消噪模型添加高斯噪声，获取添加高斯噪声后的局部模型；步骤4、将添加高斯噪声后的局部模型上传到中央服务器，获取更新后的全局模型，返回步骤1进行迭代。本发明能够实现在保证模型局部模型隐私的同时减少用户噪声量的累积，达到提高模型训练精度的目的。

公开(公告)号：CN117952179A

公开(公告)日：2024-04-30

申请号：CN202410166562.7

申请日：2024-02-05

Applicant: 桂林电子科技大学 ,  南宁桂电电子科技研究院有限公司

Inventor： 李龙 ,  刘振参 ,  李晶晶 ,  何松兴 ,  孙希延 ,  常亮

IPC: G06N3/082 ,  G06N3/084 ,  G06N3/098

Abstract: 本发明公开了一种基于模型参数变化幅度的联邦学习模型压缩方法，所属技术领域为机器学习数据处理，包括：接收中央服务器分发的初始模型；对本地收集到的样本集合进行计算，获得样本梯度，并对样本梯度进行裁剪，获得裁剪后的梯度；通过随机梯度下降算法对初始模型和裁剪后的梯度进行模型更新，获得局部模型；对所述局部模型的参数进行处理，获得处理参数，基于所述处理参数构建稀疏化后的局部模型，添加稀疏的高斯噪声，并上传至中央服务器中聚合。本发明采用基于模型参数变化幅度的联邦学习模型压缩方法，通过减小客户端模型尺寸，降低计算成本和存储负担，提升联邦学习系统效率。