兼顾隐私保护与拜占庭鲁棒性的自适应联邦学习防御方法

著录项目

摘要

本发明公开了一种兼顾隐私保护与拜占庭鲁棒性的自适应联邦学习防御方法，涉及联邦学习技术领域，其中方法包括：服务器初始化全局模型并搭建历史状态队列；客户端依据模型收敛状态与局部偏离度，自适应添加噪声保护本地更新数据。结合多轮本地与全局参数构建方向向量，根据全局演化趋势完成噪声数据方向纠偏。服务器接收数据后，通过几何距离、方向相似度双重筛选，剔除异常更新内容。从一致性、质量、贡献度开展三维信誉评估，动态调整聚合权重，加权融合更新数据迭代全局模型。本发明能够修正差分隐私引发的模型漂移，提升训练收敛稳定性；依靠双重筛选与多维信誉评估，强化拜占庭攻击防御能力，兼顾联邦学习隐私安全与模型应用性能。

附图

附图 1