-
公开(公告)号：CN117973565B
公开(公告)日：2024-11-01
申请号：CN202410209452.4
申请日：2024-02-26
Applicant: 江南大学
Abstract: 本发明涉及一种基于QoS增益的联邦学习安全聚合方法、介质和设备。本发明涉及数据保护技术领域，所述方法包括基于精度增益筛选出符合预设精度增益核验条件的高质量的第三方辅助客户端，引入基于合作博弈的客户端联盟机制，提供未通过预设精度增益核验条件的能力较弱的第三方辅助客户端加入联邦学习的机会，最大化挖掘客户端推动全局模型聚合的速度增量，同时制约了非法客户端通过联盟进行数据投毒等攻击行为的意图，并训练一个用于筛选模型参数的强化学习网络D3QN模型；本申请能在存在非法客户端的条件下加快全局模型收敛，且针对投毒攻击表现出较好的鲁棒性。
-
公开(公告)号：CN117973565A
公开(公告)日：2024-05-03
申请号：CN202410209452.4
申请日：2024-02-26
Applicant: 江南大学
Abstract: 本发明涉及一种基于QoS增益的联邦学习安全聚合方法、介质和设备。本发明涉及数据保护技术领域，所述方法包括基于精度增益筛选出符合预设精度增益核验条件的高质量的第三方辅助客户端，引入基于合作博弈的客户端联盟机制，提供未通过预设精度增益核验条件的能力较弱的第三方辅助客户端加入联邦学习的机会，最大化挖掘客户端推动全局模型聚合的速度增量，同时制约了非法客户端通过联盟进行数据投毒等攻击行为的意图，并训练一个用于筛选模型参数的强化学习网络D3QN模型；本申请能在存在非法客户端的条件下加快全局模型收敛，且针对投毒攻击表现出较好的鲁棒性。
-
Search Results
2
records
(took 0.016 seconds)
