[发明专利]一种基于标签重复率的联邦学习梯度防御方法

权利要求书

1.一种基于标签重复率的联邦学习梯度防御方法，其特征在于，包括以下步骤：

第一步：选定要参与联邦学习模型构建的本地数据集，设定置信度层个数，重复标签个数；

第二步：根据标签种类的个数，设立相应数量的标签桶，按照标签种类将本地数据集中的样本放置在对应的标签桶中，得到签分桶；

第三步：计算每个样本的置信度，根据置信度的范围，对每个标签桶中的样本进行置信度分层；

第四步：根据重复标签个数，对每个标签桶和置信度层中的样本进行组合，即每个样本组合中的样本个数等于重复标签个数，汇集所有样本组合，并打乱顺序来构成新的数据集，并将其中的样本组合都标记上“未训练”；

第五步：判断数据集中是否存在“未训练”的样本组合；

第六步：待获得参数服务器分发的最新模型，返回第五步。

2.根据权利要求1所述的一种基于标签重复率的联邦学习梯度防御方法，其特征在于：所述第二步中的每个桶只放置一种特定标签的样本。

3.根据权利要求1所述的一种基于标签重复率的联邦学习梯度防御方法，其特征在于：所述第三步的具体内容如下：

在所拥有的最新模型上，计算本地数据集中每个样本的置信度，依据置信度层个数的设定，将每个标签桶的置信度范围进行划分，构成置信度层，每个置信度层只放置符合该置信度范围内的样本，根据样本的置信度范围，将每个标签桶中的样本都放置在相应的置信度层中。

4.根据权利要求3所述的一种基于标签重复率的联邦学习梯度防御方法，其特征在于：所述置信度范围在0至1进行划分。

5.根据权利要求1所述的一种基于标签重复率的联邦学习梯度防御方法，其特征在于：所述第五步中的具体内容如下：

若数据集中还有“未训练”的样本组合，则根据批大小，从数据集中顺序地选取“未训练”的样本组合，构成待训练的批样本，利用该批样本计算对应的模型梯度，并将其上传给参数服务器，将其中的样本组合都标记上“已训练”，若数据集中没有“未训练”的样本组合，则返回第四步构建新的数据集。