[发明专利]保护用户隐私的联邦学习和图像分类方法、系统及终端

权利要求书

1.一种保护用户隐私的联邦学习方法，其特征在于，包括：

采集各终端上用户行为产生的数据，保存于该本地终端；

服务器发送一个统一的模型给各终端，各终端利用采集到的所述数据训练所述模型；

将各终端训练后的所述模型上传到所述服务器，所述服务器对所述模型先在不同终端之间进行交换后再全局聚合，或者，所述服务器对所述模型先进行部分聚合后再在不同终端之间交换，最后进行全局聚合。

2.根据权利要求1所述的保护用户隐私的联邦学习方法，其特征在于：所述服务器对所述模型先在不同终端之间进行交换后再全局聚合，包括：

将所有终端上传的所述模型随机打乱，并将打乱后的所述模型发送给除所述本地终端之外的终端，实现所述模型在各终端之间的交换，使各模型在除所述本地终端之外的其它任意一个随机选定的终端上进行训练更新；

将各终端交换后训练更新的所述模型再上传到所述服务器，所述服务器对所有终端的模型进行全局聚合。

3.根据权利要求1所述的保护用户隐私的联邦学习方法，其特征在于：所述服务器对所述模型先进行部分聚合后再在不同终端之间交换，最后进行全局聚合，包括：

所述服务器选择其中一个或多个模型进行部分聚合，将部分聚合后的所述模型随机打乱顺序，并发送给除所述本地终端之外的终端，实现所述模型在各终端之间的交换，使各模型在除所述本地终端之外的其它任意一个随机选定的终端上进行训练更新；

将各终端训练更新的所述模型再上传到所述服务器，所述服务器对训练更新后的所有模型进行全局聚合。

4.根据权利要求1所述的保护用户隐私的联邦学习方法，其特征在于，所述采集各终端上用户行为产生的数据，包括：各终端的数据采集独立进行，采集到的数据基于用户个人特征与个人行为；各终端间采集的数据分布不相同，对应地，各终端训练得到的所述模型的参数也不相同。

5.根据权利要求1-4任一项所述的保护用户隐私的联邦学习方法，其特征在于，所述服务器对模型进行聚合，其中聚合方法通过线性或非线性方式组合选定模型。

6.一种保护用户隐私的联邦学习网络系统，其特征在于，包括：

数据采集模块，采集各终端上用户行为产生的数据，保存于本地终端；

本地训练模块，接收服务器发送的一个统一的模型，利用采集到的本地终端的数据训练所述模型；

模型通信模块，负责在各终端与所述服务器之间传输所述模型，包括将各终端训练的所述模型上传到所述服务器，以及从所述服务器将所述模型下载到各终端；

模型聚合模块，对所有终端上传到所述服务器的一个或多个模型进行部分聚合，或对终端上传到所述服务器的所有模型进行全局聚合；

模型交换模块，实现所述模型在不同终端间的随机交换，其中，所述模型交换模块将所述模型聚合模块部分聚合后的所述模型在不同终端间进行交换训练，再传给所述模型聚合模块进行全局聚合，或者，将所述模型在不同终端间进行交换训练后，再传给所述模型聚合模块进行全局聚合。

7.根据权利要求6所述的保护用户隐私的联邦学习网络系统，其特征在于，所述模型交换模块将所有终端上传的所述模型随机打乱，并将打乱后的所述模型发送给除所述本地终端之外的终端，实现所述模型在各终端之间的交换，使各模型在除所述本地终端之外的其它任意一个随机选定的终端上进行训练更新；将各终端交换后训练更新的所述模型再传到所述模型聚合模块进行全局聚合。

8.根据权利要求6所述的保护用户隐私的联邦学习网络系统，其特征在于，所述模型交换模块选择其中一个或多个模型进行部分聚合，将部分聚合后的所述模型随机打乱顺序，并发送给除所述本地终端之外的终端，实现所述模型在各终端之间的交换，使各模型在除所述本地终端之外的其它任意一个随机选定的终端上进行训练更新；各终端训练更新的所述模型再上传到所述模型聚合模块，所述模型聚合模块对训练更新后的所有模型进行全局聚合。