-
公开(公告)号:CN118504709A
公开(公告)日:2024-08-16
申请号:CN202410611222.0
申请日:2024-05-16
Applicant: 济南大学
Abstract: 本公开提出了一种基于本地差分隐私噪声控制的联邦学习方法及系统,方法包括:客户端将本地模型和全局模型之间的差异作为约束因子,更新本地局部模型;基于更新的本地局部模型参数和全局模型参数,采用互信息计算扰动添加值;将扰动添加值添加到更新的本地局部模型的参数中,将添加扰动的本地局部模型参数发送给中心服务器;中心服务器对接收到的添加扰动的本地局部模型参数进行聚合,根据聚合后的数据对模型进行重构得到本轮训练的全局模型,再下发给各客户端。通过将本地模型和全局模型之间的距离作为约束因子对本地模型进行训练,并利用互信息计算待添加扰动,实现了在保护客户端本地隐私的同时保证联邦学习全局模型训练的性能。
-
公开(公告)号:CN118504709B
公开(公告)日:2025-04-15
申请号:CN202410611222.0
申请日:2024-05-16
Applicant: 济南大学
Abstract: 本公开提出了一种基于本地差分隐私噪声控制的联邦学习方法及系统,方法包括:客户端将本地模型和全局模型之间的差异作为约束因子,更新本地局部模型;基于更新的本地局部模型参数和全局模型参数,采用互信息计算扰动添加值;将扰动添加值添加到更新的本地局部模型的参数中,将添加扰动的本地局部模型参数发送给中心服务器;中心服务器对接收到的添加扰动的本地局部模型参数进行聚合,根据聚合后的数据对模型进行重构得到本轮训练的全局模型,再下发给各客户端。通过将本地模型和全局模型之间的距离作为约束因子对本地模型进行训练,并利用互信息计算待添加扰动,实现了在保护客户端本地隐私的同时保证联邦学习全局模型训练的性能。
-