多数恶意下鲁棒隐私性联邦学习方法、系统、设备及介质

作者：苗银宾; 匡达; 杨丽; 李兴华

来源：2022-12-27, 中国, CN202211684903.7.

本申请实施例涉及信息安全技术领域,特别涉及一种多数恶意下鲁棒隐私性联邦学习方法、系统、设备及介质,该方法包括：使用本地数据训练本地模型,计算模型梯度和根梯度；对模型梯度、根梯度进行量化和编码；使用抽样的秘密共享方法生成模型梯度和根梯度的秘密份额：基于模型梯度和根梯度的秘密份额,计算汉明距离份额；基于汉明距离份额,计算客户端权重份额；使用相关不经意乘积高效的生成乘法三元组,并对模型份额进行加权,得到本地加权份额；基于本地加权份额,更新全局模型。本申请能够在多数恶意环境下实现抗模型投毒攻击和保护客户端数据隐私,且使用抽样的秘密共享技术可以高效的计算汉明距离和模型加权平均,降低了总体的计算开销。

• 单位
  西安电子科技大学