公开(公告)号：CN116128074A

公开(公告)日：2023-05-16

申请号：CN202310067220.5

申请日：2023-01-16

申请人： 西安电子科技大学

发明人： 王善峰 ,  孙嘉雨 ,  余天豪 ,  公茂果 ,  张元侨 ,  高原 ,  范晓龙

IPC分类号： G06N20/20 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/098

摘要： 本发明公开了一种面向小样本数据的个性化联邦元学习方法，应用于服务器，包括：确定与自身通信连接的各个客户端的分类任务数量，并分配训练任务和测试任务，以使每个客户端基于训练任务和测试任务，利用元学习算法和用户数据对待训练的神经网络进行训练及测试，并在获得第一分类模型后上传第一分类模型的至少部分网络参数；接收各个客户端上传的至少部分网络参数并进行聚合，得到第一类网络参数；将第一类网络参数发送至各个客户端，以使每个客户端对第一分类模型进行更新，得到第二分类模型。针对小样本数据分类的问题，本发明通过聚合各客户端Base层的当前网络参数来聚合不同客户端的异构模型，进而实现个性化联邦学习。

公开(公告)号：CN116227547A

公开(公告)日：2023-06-06

申请号：CN202310066929.3

申请日：2023-01-17

申请人： 西安电子科技大学

发明人： 王善峰 ,  余天豪 ,  孙嘉雨 ,  芦毅衡 ,  公茂果 ,  高原 ,  范晓龙

IPC分类号： G06N3/0464 ,  G06N3/0442 ,  G06N3/08

摘要： 本发明公开了一种基于自适应差分隐私的联邦学习模型优化方法，包括：获取多个客户机的本地数据，并对预选的相应神经网络进行训练，得到每个本地模型的模型参数；对每个本地模型中的每一层网络进行独立评估，并根据评估结果对每一层网络的模型参数自适应地设置差分隐私噪声预算；同时，基于卷积核的绝对权值对每一层网络的层内结构进行评估，并根据评估结果对层内卷积核的模型参数自适应地添加差分隐私噪声预算；将所有客户机本地模型的模型参数上传至服务器，并对模型参数进行聚合；重复上述操作，直至神经网络模型收敛或到达指定聚合轮数，得到训练好的联邦学习模型。该方法可以在保证隐私保护级别的同时，最大程度的保证结果的准确性。