公开(公告)号：CN119962635A

公开(公告)日：2025-05-09

申请号：CN202510058630.2

申请日：2025-01-15

Applicant: 重庆邮电大学

Inventor： 肖云鹏 ,  陆芸 ,  张功国 ,  唐飞 ,  王蓉 ,  段思睿 ,  李暾 ,  王国胤

IPC: G06N3/098 ,  G06N3/045 ,  G06F18/22 ,  G06F18/231 ,  G06F18/2433

Abstract: 本发明涉及联邦学习领域，特别涉及一种基于公平性增强的联邦学习方法，包括优化样本选择和资源分配以提升模型的公平性；通过Gower相似性度量和层次聚类对数据进行分层处理，确保不同层次数据的代表性；结合参数化损失权重的动态权重调整策略，实时优化数据层的敏感性，动态平衡不同数据层在训练中的贡献，完成权重分配优化；构建基于自编码器的加权聚合模型，利用自编码器对数据进行异常检测，结合公平性指标优化全局模型的更新；本发明能够有效减少本地模型偏差，并在异构数据环境下显著提升联邦学习的公平性和模型精度。