[发明专利]一种基于STN的高效安全联邦学习方法及相关设备

说明书

本申请提供一种基于STN的高效安全联邦学习方法及相关设备，其中，所述方法包括：首先，利用空间转换网络对输入的初始二维特征矩阵进行仿射变换，再将仿射变换后的二维特征矩阵输入到联邦学习模型中的卷积神经网络中，得到预测分类结果。利用空间转换网络对输入的初始二维特征矩阵进行仿射变换，等于对不同的二维特征矩阵数据集做相似处理，解决了数据集不一致的问题，从而减小了联邦学习模型中的本地模型的数据集的大小；同时也消除了后续步骤中二维特征矩阵进行多次矩阵初等变换对卷积神经网络特征提取的影响，提升了联邦学习模型分类预测的准确率。

技术领域

本申请涉及神经网络技术领域，尤其涉及一种基于STN的高效安全联邦学习方法及相关设备。

背景技术

一维时间序列数据是以时间为维度的一维样本数据，各行各业应用传感器等设备采集大量一维时间序列数据，并且试图从中挖掘价值提供给决策者。随着数据量的增加，当中包含的隐私数据也越来越多，如果隐私数据被泄露，其后果难以估量。

因此，我们通过联邦学习的方法解决数据隐私问题，联邦学习模型相对于分布式机器学习模型来说，最突出的特点是数据不上传到中央服务器，而只是在本地机器上训练数据集，然后将训练后的模型参数发送到中央服务器，用作全局模型的聚合，这样就保护了本地数据的隐私，但同时也带来了一个问题就是，在本地对数据进行训练，对本地服务器的性能提出了很高的要求。

发明内容

有鉴于此，本申请的目的在于提出一种基于STN的高效安全联邦学习方法及相关设备。

基于上述目的，本申请提供了一种基于STN的高效安全联邦学习方法，包括：将初始二维特征矩阵输入到空间转换网络中，利用所述空间转换网络输出仿射变换后的二维特征矩阵；将所述二维特征矩阵输入到联邦学习模型中的卷积神经网络中，利用所述卷积神经网络输出分类预测结果。

可选地，在将初始二维特征矩阵输入到空间转换网络中之前，还包括：

获取一维时间序列，对所述一维时间序列进行短时S变换，得到所述初始二维特征矩阵。

可选地，所述短时S变换定义为：

其中，w(t-τ)为窗函数，s(f,τ)为短时S变换，(t)为所述一维时间序列，f为频率，t为时间，τ为时移因子，所述窗函数的表达式为：

其中，w(t)为窗函数，f为频率，t为时间；σ_m(f)为窗函数尺度因子，且其中，m为参数，f为频率。

可选地，所述空间转换网络包括本地网络层、网格生成层以及采样器，所述将初始二维特征矩阵输入到空间转换网络中，利用所述空间转换网络输出仿射变换后的二维特征矩阵，包括：将所述初始二维特征矩阵输入到所述本地网络层中，经由所述本地网络层输出所述初始二维特征矩阵的坐标映射参数，并生成新生坐标；根据所述坐标映射参数以及所述新生坐标，利用所述网格生成层计算得到所述初始二维特征矩阵的原始坐标；根据所述原始坐标，利用所述采样器对所述初始二维特征矩阵进行采样填充，得到仿射变换后的所述二维特征矩阵。

可选地，所述方法还包括：根据所述分类预测结果，对所述空间转换网络的所述本地网络层、所述网格生成层以及所述采样器中的参数进行更新。

基于上述目的，本申请还提供了一种基于STN的高效安全联邦学习装置，包括：空间转换网络模块，被配置为将初始二维特征矩阵输入到空间转换网络中，利用所述空间转换网络输出仿射变换后的二维特征矩阵；卷积神经网络模块，被配置为将所述二维特征矩阵输入到联邦学习模型中的卷积神经网络中，利用所述卷积神经网络输出分类预测结果。

可选地，还包括预处理模块，所述预处理模块被配置为获取一维时间序列，对所述一维时间序列进行短时S变换，得到所述初始二维特征矩阵。