-
公开(公告)号：CN116882517A
公开(公告)日：2023-10-13
申请号：CN202310824375.9
申请日：2023-07-06
Applicant: 北京交通大学
IPC: G06N20/00 , H04L67/1001 , H04L67/1095 , G06F18/23
Abstract: 本发明提供一种基于节点冗余度量的联邦公平性数据分配方法及系统，属于机器学习联邦训练技术领域，对节点的本地数据集进行稀疏化特征提取，并根据提取出每个客户端的特征图，计算不同客户端特征图之间的相似性，以量化节点数据集中特征图映射的相似性来评估客户端的数据冗余程度。提出模型冗余信息评估的方法，结合数据冗余评估，综合评估每个客户端在联邦学习中的冗余信息。设计公平修剪聚合方法，综合考虑数据冗余评估和模型冗余评估，从而得出每个客户端的冗余程度，以评估其对联邦学习的实际贡献。在全局聚合过程中，每个客户端的全局聚合权重基于其自身的冗余程度，将更多的权重分配给冗余程度较低的客户端，以提高联邦学习的公平性。
-
公开(公告)号：CN116306910B
公开(公告)日：2023-10-03
申请号：CN202211089847.2
申请日：2022-09-07
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于联邦节点贡献的公平性隐私计算方法。该方法包括：客户端使用本地数据集训练本地模型，服务器端额外收集根数据集以便对客户端的贡献进行评估；服务器计算每个客户端的贡献值，根据客户端的贡献值评估客户端的节点信誉，按照比例公平聚合各个客户端的参数更新；各个客户端根据自身的训练贡献从服务器端下载相应的全局模型作为计算回报，进行下一轮本地训练更新。本发明在层级上比较了参与端本地模型每一层与全局模型对应层之间的差异性，根据每个客户端的实际贡献为每个客户端分配与节点信誉相匹配的全局模型参数，能够促进联邦节点在全局聚合和计算回报过程中的公平性。
-
公开(公告)号：CN117196058A
公开(公告)日：2023-12-08
申请号：CN202310485711.1
申请日：2023-04-28
Applicant: 北京交通大学
Abstract: 本发明提供的一种基于节点贡献聚类的公平联邦学习方法，首先根据联邦学习中每个客户端的实际贡献程度进行分组，并将贡献相似的客户端划分为同一组。在每一轮迭代中，首先在每个组的客户端之间进行组内聚合，然后将组内聚合获得的小组模型更新参数上传到服务器端，服务器端对不同组之间的模型进行全局聚合。经过一段时间的全局聚合，每个组基本可以获得其他组的训练信息。此时，可以将全局联邦学习过程划分为组，每个组可以训练自己的个性化组模型，使每个组都能获得与其自身贡献相匹配的公平回报。
-
公开(公告)号：CN116306910A
公开(公告)日：2023-06-23
申请号：CN202211089847.2
申请日：2022-09-07
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于联邦节点贡献的公平性隐私计算方法。该方法包括：客户端使用本地数据集训练本地模型，服务器端额外收集根数据集以便对客户端的贡献进行评估；服务器计算每个客户端的贡献值，根据客户端的贡献值评估客户端的节点信誉，按照比例公平聚合各个客户端的参数更新；各个客户端根据自身的训练贡献从服务器端下载相应的全局模型作为计算回报，进行下一轮本地训练更新。本发明在层级上比较了参与端本地模型每一层与全局模型对应层之间的差异性，根据每个客户端的实际贡献为每个客户端分配与节点信誉相匹配的全局模型参数，能够促进联邦节点在全局聚合和计算回报过程中的公平性。
-
-
-
Search Results
4
records
(took 0.016 seconds)
