一种面向跨筒仓联邦学习的保护本地隐私的梯度下降方法

作者：何道敬; 陆欣彤; 潘凯云; 刘川意; 田志宏; 张宏莉; 蒋琳; 廖清

来源：2021-06-23, 中国, ZL202110698626.4.

本发明公开了一种面向跨筒仓联邦学习的保护本地隐私的梯度下降方法,具体实施步骤为：客户端初始化时随机生成标量参数的初始值；客户端执行权重策略选择权重参数；客户端广播模型参数给邻居,同时接收来自内邻居广播的模型参数,再将模型更新参数聚合；客户端更新本地模型参数；客户端更新梯度下降参数。本发明的在跨筒仓联邦学习中保护本地隐私的梯度下降方法,克服了面向跨筒仓/跨设备联邦学习的几种经典梯度下降方法中的隐私缺陷,在训练线性回归任务时可以更好的保护本地模型隐私。

• 单位
  华东师范大学