[发明专利]面向公平性保障的联邦学习的模型优化方法及系统

权利要求书

1.一种面向公平性保障的联邦学习的模型优化方法，其特征在于，包括：

接收多个客户端发送的待优化分类模型的第一优化参数和待测试图像，得到多组不同的第一优化参数和待测试图像；

计算各客户端发送的第一优化参数对应的待优化分类模型在不同待测试图像上的准确率，并将所有客户端对应的准确率形成的矩阵作为贡献度矩阵；

根据所述贡献度矩阵，得到各客户端对应的总准确率，并根据各客户端对应的总准确率、第一数量和第二数量，以及所有客户端对应的总准确率之间的方差，构建对各客户端进行参数分配的优化模型；其中，所述第一数量为预分配给各客户端的第一优化参数的数量；所述第二数量为将各客户端上传的第一优化参数预分配给其他客户端的数量；

根据所述优化模型的最优解，获取预分配给各客户端的第二优化参数，并将相应的第二优化参数分配给各客户端，以供各客户端根据所述第二优化参数对所述待优化分类模型进行优化。

2.根据权利要求1所述的面向公平性保障的联邦学习的模型优化方法，其特征在于，所述根据各客户端对应的总准确率、第一数量和第二数量，以及所有客户端对应的总准确率之间的方差，构建对各客户端进行参数分配的优化模型，包括：

以所有客户端对应的总准确率之和最大为目标，构建所述优化模型的目标函数；

根据所述第一数量和所述第二数量之间的差值，以及所述方差确定所述优化模型的约束条件。

3.根据权利要求1所述的面向公平性保障的联邦学习的模型优化方法，其特征在于，所述根据所述优化模型的最优解，获取预分配给各客户端的第二优化参数，包括：

对于每一客户端，根据所述优化模型的最优解，获取所述每一客户端的预分配参数；其中，所述预分配参数包括所有组第一优化参数中的一组或多组参数；

在任一客户端的预分配参数为多组的情况下，对所述任一客户端的所有组预分配参数进行聚合，得到预分配给所述任一客户端的第二优化参数；

在所述任一客户端的预分配参数为一组的情况下，直接将所述预分配参数作为预分配给所述任一客户端的第二优化参数。

4.根据权利要求3所述的面向公平性保障的联邦学习的模型优化方法，其特征在于，所述对所述任一客户端的所有组预分配参数进行聚合，得到预分配给所述任一客户端的第二优化参数，包括：

计算所述任一客户端的所有组预分配参数的平均值，得到预分配给所述任一客户端的第二优化参数。

5.根据权利要求3或4所述的面向公平性保障的联邦学习的模型优化方法，其特征在于，所述对所述任一客户端的所有组预分配参数进行聚合，得到预分配给所述任一客户端的第二优化参数，包括：

计算所述任一客户端的所有组预分配参数的加权平均值，得到预分配给所述任一客户端的第二优化参数。

6.根据权利要求1-4任一所述的面向公平性保障的联邦学习的模型优化方法，其特征在于，在所述接收多个客户端发送的待优化分类模型的第一优化参数和待测试图像之前，还包括：

将所述待优化分类模型发送至各客户端，以供各客户端基于样本图像和所述样本图像对应的类别，对所述待优化分类模型进行训练，得到所述待优化分类模型的第一优化参数。

7.根据权利要求1-4任一所述的面向公平性保障的联邦学习的模型优化方法，其特征在于，所述待测试图像由各客户端基于差分隐私的生成式对抗网络生成。