买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：泉城省实验室

摘要：本发明涉及基于委员会共识的鲁棒高效去中心化联邦学习方法及系统，属于联邦学习技术领域，包括：1）委员会成员选举；2）使用全局模型进行本地模型训练；3）模型验证，对通过验证的训练者进行打分；4）当有足够多的连续更新区块时，智能合约将自动调用，对区块链上的模型更新进行聚合，生成新的全局模型，并计算每个参与者在本轮训练中的贡献度，根据贡献度选择出下一轮训练中的委员会成员；5）各参与者下载最新的区块，将新的全局模型作为下一轮训练中的初始模型；上述操作重复进行，直至模型收敛。本发明有效解决因中心服务器的存在所导致的单点故障以及恶意服务器作恶问题的同时，提高了模型聚合的准确性、速度和效率。

主权项：1.基于委员会共识的鲁棒高效去中心化联邦学习方法，其特征在于，包括：步骤1：初始全局模型下发及首轮委员会成员的选举：任务发布者向联邦学习中的每个参与者下发初始全局模型，并使用可验证随机函数进行角色初始化，随机选择出第一轮联邦学习的委员会成员和训练者；步骤2：本地模型训练：训练者以及委员会成员分别基于自己的本地数据和进行本地模型的训练，分别得到各自的本地模型和；训练者共有个，委员会成员共有个，参与者共有个，；步骤3：模型参数验证：训练者训练结束后，将自己的本地模型的参数及训练相关信息发送给委员会成员进行验证；委员会成员根据验证机制，基于全局模型和自己训练好的本地模型对训练者的本地模型的参数进行验证，并为通过验证的本地模型的参数计算出分数；步骤4：委员会成员将通过验证的训练者的相关信息及委员会成员的相关信息上传至区块链；步骤5：智能合约聚合全局模型并计算训练者和委员会成员的贡献度：当有足够多的连续更新区块时，触发智能合约对模型更新进行聚合，得到当前轮次的全局模型，并为训练者和委员会成员计算训练者和委员会成员本轮的贡献度；步骤6：智能合约选择下一轮的训练者集合和委员会集合：根据计算出来的贡献度，对所有参与者的贡献度进行排序，选择出下一轮的训练者集合和委员会集合；将全局模型、训练者集合和委员会集合以及每个参与者的贡献度上传至区块链；步骤7：全局模型作为下一轮训练的初始模型，重复执行以上步骤，直至全局模型收敛。

全文数据：

权利要求：

百度查询： 泉城省实验室 基于委员会共识的鲁棒高效去中心化联邦学习方法及系统