公开(公告)号：CN114298156B

公开(公告)日：2025-01-24

申请号：CN202111478600.5

申请日：2021-12-06

Applicant: 贵州大学

Inventor： 彭长根 ,  杨秀清 ,  牛坤 ,  丁红发 ,  李雪松

IPC: G06F18/214 ,  G06F18/241 ,  G06N3/098

Abstract: 本发明提出了一种基于公平联邦学习算法的数据分类方法及系统，利用各用户端拥有的本地数据集，基于熵权法确定得到各用户端的数据质量分数，基于用户端的数据数量和用户端的数据质量两方面定义聚合权重，根据考虑了数据数量和数据质量两方面的聚合权重对全局模型进行更新，解决了传统的联邦学习中未考虑权重分配或仅考虑了用户端的数据数量一方面，对各用户的聚合权重分配不公平的问题，本发明的方案相对于传统的联邦学习方案，对于参与训练的各用户端更加公平，更能够促进数据质量分数高的用户端加入到联邦学习中来。

公开(公告)号：CN114298156A

公开(公告)日：2022-04-08

申请号：CN202111478600.5

申请日：2021-12-06

Applicant: 贵州大学

Inventor： 彭长根 ,  杨秀清 ,  牛坤 ,  丁红发 ,  李雪松

IPC: G06K9/62 ,  G06N20/00

Abstract: 本发明提出了一种基于公平联邦学习算法的数据分类方法及系统，利用各用户端拥有的本地数据集，基于熵权法确定得到各用户端的数据质量分数，基于用户端的数据数量和用户端的数据质量两方面定义聚合权重，根据考虑了数据数量和数据质量两方面的聚合权重对全局模型进行更新，解决了传统的联邦学习中未考虑权重分配或仅考虑了用户端的数据数量一方面，对各用户的聚合权重分配不公平的问题，本发明的方案相对于传统的联邦学习方案，对于参与训练的各用户端更加公平，更能够促进数据质量分数高的用户端加入到联邦学习中来。