一种基于联邦学习的客户端筛选补充方法

技术特征：
1.一种基于联邦学习的客户端筛选补充方法，其特征在于，包括以下步骤：参数服务器在预定的时间约束下接收已满足本地更新轮次的客户端，作为聚合子集的第一部分；通过指标衡量各客户端样本标签分布情况，在第一部分聚合子集的基础上，通过客户端之间的随机加和以及非对称加密技术的结合，实现指标信息的加密传输，并计算第一部分聚合子集的平均指标信息，上传至参数服务器；参数服务器将平均指标信息作为询问信息下发给剩余客户端，选取自身指标信息小于等于平均指标信息的剩余客户端作为补充客户端，与第一部分的客户端进行组合补充，形成完整的聚合子集。2.根据权利要求1所述的基于联邦学习的客户端筛选补充方法，其特征在于，联邦学习采用以参数服务器为中心的拓扑架构，基于数据不传出的思想，使用模型梯度或者模型参数代替源数据在各数据源之间的相互传递，并由参数服务器实现全局聚合模型的更新和优化。3.根据权利要求1所述的基于联邦学习的客户端筛选补充方法，其特征在于，所述通过指标衡量各客户端样本标签分布情况，包括：指标w选择以独立同分布的样本标签分布比例作为参考依据，将各个客户端本地数据标签比例分布与其进行差值计算，以计算结果作为衡量各客户端样本标签分布情况，其计算公式如下：其中，c表示c个类别的分类问题，y代表标签空间，p
k
代表客户端k中样本数据集各个标签之间的分布比例，p代表独立同分布数据集上各个标签之间的分布比例。4.根据权利要求1所述的基于联邦学习的客户端筛选补充方法，其特征在于，将以参数服务器为中心的通信架构转换成客户端之间的点对点传输的通信方式，通过客户端之间的随机加和以及非对称加密技术的结合计算平均指标信息的流程如下：客户端client1本地生成一个随机数，并将其与衡量自己标签分布情况的指标信息w1相加，同时用客户端client2的公钥将计算结果加密，并发送给客户端client2；客户端client2用本地私钥将从客户端client1获取的数据进行解密，并与自己的指标信息w2进行相加，使用客户端client3的公钥将计算结果加密，然后发送给客户端client3；客户端client3同上一步骤继续执行解密计算，并继续将加密结果发送给下一个客户端；待最后结果发送给最后一个客户端后，最后一个客户端将接收到的数据进行解密，并与自己的指标信息进行加和计算，然后用客户端client1的公钥将计算结果加密，并将加密结果发送给客户端client1；此刻，客户端client1接收到所有客户端的指标信息加和，并将结果用自己的私钥进行解密，最后计算出平均值发送给参数服务器。5.根据权利要求1所述的基于联邦学习的客户端筛选补充方法，其特征在于，待筛选补充的剩余客户端仅用于接收第一部分聚合子集的平均指标信息，并行的在本地与筛选阈值
进行比较判断，无需将自身的指标信息上传。

技术总结
本发明公开了一种基于联邦学习的客户端筛选补充方法，包括：参数服务器在预定的时间约束下接收已满足本地更新轮次的客户端，作为聚合子集的第一部分；通过指标衡量各客户端样本标签分布情况，在第一部分聚合子集的基础上，通过客户端之间的随机加和以及非对称加密技术的结合，实现指标信息的加密传输，并计算第一部分聚合子集的平均指标信息，上传至参数服务器；参数服务器将平均指标信息作为询问信息下发给剩余客户端，选取自身指标信息小于等于平均指标信息的剩余客户端作为补充客户端，与第一部分的客户端进行组合补充，形成完整的聚合子集。本发明能够有效提升联邦学习框架下进行全局模型更新的收敛效率。进行全局模型更新的收敛效率。进行全局模型更新的收敛效率。


技术研发人员：王睿 孙叶桃 李倩
受保护的技术使用者：北京科技大学顺德研究生院
技术研发日：2022.05.17
技术公布日：2022/8/30