CN112182102A - 联邦学习中数据的处理方法、装置、电子设备及存储介质 - Google Patents
联邦学习中数据的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112182102A CN112182102A CN202011009498.XA CN202011009498A CN112182102A CN 112182102 A CN112182102 A CN 112182102A CN 202011009498 A CN202011009498 A CN 202011009498A CN 112182102 A CN112182102 A CN 112182102A
- Authority
- CN
- China
- Prior art keywords
- data
- federal learning
- chain
- processing
- terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 239000004744 fabric Substances 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种联邦学习中数据的处理方法及装置,该方法包括:获取链下数据和链上数据,所述链下数据为各终端上传到分布式数据库上的源数据,所述链上数据为各终端参与联邦学习过程建模得到的存储在区块链上的中间参数;根据所述链下数据和所述链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行。本发明实施例提供的联邦学习中数据的处理方法、装置、电子设备及存储介质,通过安全存储在分布式数据库中的源数据和存储在区块链上完成共享的中间参数,使得各终端的数据能够实现安全共享,便于两类数据能够安全的协同及共享,为联邦学习训练产生积极效益。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种联邦学习中数据的处理方法、装置、电子设备及存储介质。
背景技术
联邦学习是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与终端或多计算节点终端之间开展高效率的机器学习。联邦学习的基本思路是终端的数据不共享,各终端分别训练机器学习模型,然后共享学习过程中的中间参数,由服务器聚合后,反馈到各终端,再分别共享各自训练的模型。
为此,为了解决各终端的数据不共享,需保障联邦学习中的数据存储安全和数据传输安全,但目前未存储较好方案,故对联邦学习训练不能产生积极作用。
发明内容
针对现有技术存在的问题,本发明实施例提供一种联邦学习中数据的处理方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供的一种联邦学习中数据的处理方法,包括:
获取链下数据和链上数据,所述链下数据为各终端上传到分布式数据库上的源数据,所述链上数据为各终端参与联邦学习过程建模得到的存储在区块链上的中间参数;
根据所述链下数据和所述链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行。
进一步地,所述源数据为采用非对称加密算法存储在分布式DHT列表中。
进一步地,所述中间参数的上链处理过程包括:
对中间参数加密并封装为交易数据,对所述交易数据进行聚合划分,将划分后的交易数据存储在对应的区块中。
进一步地,在更新已建联邦学习模型后,还包括:
使更新后的联邦学习模型和非联邦学习模型应用于预设的应用场景中进行预测,确定预测结果,根据各自的预测结果进行比较,获得比较结果。
进一步地,在获取链下数据之前,还包括:
对源数据进行质量检测,根据检测结果;
若检测结果为正常,使源数据加密存储,并向对应的终端发送Token数据;若检测结果为异常,放弃源数据,并向对应的终端发送放弃执行信号。
进一步地,所述可信环境为采用Intel SGX架构所建立,相应地,所述源数据由可信环境从分布式DHT列表中读取。
进一步地,在Fabric联盟链上对交易数据进行聚合划分。
第二方面,本发明实施例提供一种联邦学习中数据的处理装置,包括:
获取模块,用于获取链下数据和链上数据,所述链下数据为各终端上传到分布式数据库上的源数据,所述链上数据为各终端参与联邦学习过程建模得到的存储在区块链上的中间参数;
处理模块,用于根据所述链下数据和所述链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述联邦学习中数据的处理方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述联邦学习中数据的处理方法的步骤。
本发明实施例提供的联邦学习中数据的处理方法、装置、电子设备及存储介质,通过安全存储在分布式数据库中的源数据和存储在区块链上完成共享的中间参数,使得各终端的数据能够实现安全共享,便于两类数据能够安全的协同及共享,为联邦学习训练产生积极效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明联邦学习中数据的处理方法实施例流程图;
图2为本发明联邦学习中数据的处理方法的流程框图;
图3为本发明联邦学习中数据的处理装置实施例结构图;
图4为本发明电子设备实施例结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明一实施例提供的一种联邦学习中数据的处理方法的流程示意图,参见图1,该方法包括:
S11、获取链下数据和链上数据,链下数据为各终端上传到分布式数据库上的源数据,所述链上数据为各终端参与联邦学习过程建模得到的存储在区块链上的中间参数;
S12、根据链下数据和链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行。
针对步骤S11和步骤S12,需要说明的是,在本发明实施例中,联邦学习是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与终端或多计算节点终端之间开展高效率的机器学习。联邦学习的基本思路是终端的数据不共享,各终端分别训练机器学习模型,然后共享学习过程中的中间参数,由服务器聚合后,反馈到各终端,再分别共享各自训练的模型。
在本实施例中,将各终端参与联邦学习过程建模得到的中间参数存储到区块链上,实现在区块链上对产生的中间参数的安全存储、传输和高效共享。在本实施例中,可利用区块链中的联盟链—Hyperledger Fabric对中间参数进行聚合划分。
在本实施例中,将各终端的原始数据(源数据)存储在分布式数据库中。具体可存储在DHT列表中,利用非对称加密算法实现对源数据的数据安全存储。
在本实施例中,由于建立可信存储环境,支持可信环境从DHT中安全、动态、实时地读取和更新源数据数据,根据源数据和链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行,可信环境采用Intel SGX架构所建立。
本发明实施例提供的联邦学习中数据的处理方法,通过安全存储在分布式数据库中的源数据和存储在区块链上完成共享的中间参数,使得各终端的数据能够实现安全共享,便于两类数据能够安全的协同及共享,为联邦学习训练产生积极效益。
在上述实施例方法的进一步实施例中,主要是对中间参数的上链处理过程进行解释说明,具体如下:
对中间参数加密并封装为交易数据,对交易数据进行聚合划分,将划分后的交易数据存储在对应的区块中。
对此,需要说明的是,中间参数能够在区块链上实现存储及共享,其需作为交易数据在链上进行聚类划分,然后将划分后的交易数据存储在对应的区块上。在本实施例中,可利用区块链中的联盟链—Hyperledger Fabric对中间参数进行聚合划分。
利用区块链中的联盟链—Hyperledger Fabric作为数据共享的载体,基于Fabric的框架结构,根据场景情况设置合适的参数、优化交易流程,在利用区块链去中心化特性的基础上提高传输效率。
在上述实施例方法的进一步实施例中,在更新已建联邦学习模型后,还包括以下处理步骤:
使更新后的联邦学习模型和非联邦学习模型应用于预设的应用场景中进行预测,确定预测结果,根据各自的预测结果进行比较,获得比较结果,实现通过实验与非联邦学习算法、现有联邦学习算法进行性能上的比较。
在上述实施例方法的进一步实施例中,在获取链下数据之前,还包括:
对源数据进行质量检测,根据检测结果;
若检测结果为正常,使源数据加密存储,并向对应的终端发送Token数据;若检测结果为异常,放弃源数据,并向对应的终端发送放弃执行信号。
对此,需要说明的是,上述步骤能够实现自动监控各终端的数据贡献质量,识别恶意节点。设计“Token”作为激励机制的媒介,对高质量数据贡献者进行奖励,将各终端的贡献度反应在模型的训练效果上。即高质量数据贡献者除了能获得“Token”,也能训练得到更好的模型。
上述实施例提供的联邦学习中数据的处理方法,通过安全存储在分布式数据库中的源数据和存储在区块链上完成共享的中间参数,使得各终端的数据能够实现安全共享,便于两类数据能够安全的协同及共享,为联邦学习训练产生积极效益。
图3示出了本发明一实施例提供的一种联邦学习中数据的处理装置的结构示意图,参见图3,该装置包括获取模块31和处理模块32,其中:
获取模块31,用于获取链下数据和链上数据,所述链下数据为各终端上传到分布式数据库上的源数据,所述链上数据为各终端参与联邦学习过程建模得到的存储在区块链上的中间参数;
处理模块32,用于根据所述链下数据和所述链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行。
在上述实施例装置的进一步实施例中,所述源数据为采用非对称加密算法存储在分布式DHT列表中。
在上述实施例装置的进一步实施例中,还包括上链模块,用于处理中间参数的上链处理过程,具体为:
对中间参数加密并封装为交易数据,对所述交易数据进行聚合划分,将划分后的交易数据存储在对应的区块中。
在上述实施例装置的进一步实施例中,在更新已建联邦学习模型后,还包括比较模块,用于:
使更新后的联邦学习模型和非联邦学习模型应用于预设的应用场景中进行预测,确定预测结果,根据各自的预测结果进行比较,获得比较结果。
在上述实施例装置的进一步实施例中,在获取链下数据之前,还包括监控模块,用于:
对源数据进行质量检测,根据检测结果;
若检测结果为正常,使源数据加密存储,并向对应的终端发送Token数据;若检测结果为异常,放弃源数据,并向对应的终端发送放弃执行信号。
在上述实施例装置的进一步实施例中,所述可信环境为采用Intel SGX架构所建立,相应地,所述源数据由可信环境从分布式DHT列表中读取。
在上述实施例装置的进一步实施例中,在Fabric联盟链上对交易数据进行聚合划分。
由于本发明实施例所述装置与上述实施例所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例提供的联邦学习中数据的处理方法,通过安全存储在分布式数据库中的源数据和存储在区块链上完成共享的中间参数,使得各终端的数据能够实现安全共享,便于两类数据能够安全的协同及共享,为联邦学习训练产生积极效益。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)41、通信接口(Communications Interface)42、存储器(memory)43和通信总线44,其中,处理器41,通信接口42,存储器43通过通信总线44完成相互间的通信。处理器41可以调用存储器43中的逻辑指令,以执行如下方法:获取链下数据和链上数据,所述链下数据为各终端上传到分布式数据库上的源数据,所述链上数据为各终端参与联邦学习过程建模得到的存储在区块链上的中间参数;根据所述链下数据和所述链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行。
此外,上述的存储器43中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:获取链下数据和链上数据,所述链下数据为各终端上传到分布式数据库上的源数据,所述链上数据为各终端参与联邦学习过程建模得到的存储在区块链上的中间参数;根据所述链下数据和所述链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种联邦学习中数据的处理方法,其特征在于,包括:
获取链下数据和链上数据,所述链下数据为各终端上传到分布式数据库上的源数据,所述链上数据为各终端参与联邦学习过程建模得到的存储在区块链上的中间参数;
根据所述链下数据和所述链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行。
2.根据权利要求1所述的联邦学习中数据的处理方法,其特征在于,所述源数据为采用非对称加密算法存储在分布式DHT列表中。
3.根据权利要求1所述的联邦学习中数据的处理方法,其特征在于,所述中间参数的上链处理过程包括:
对中间参数加密并封装为交易数据,对所述交易数据进行聚合划分,将划分后的交易数据存储在对应的区块中。
4.根据权利要求1所述的联邦学习中数据的处理方法,其特征在于,在更新已建联邦学习模型后,还包括:
使更新后的联邦学习模型和非联邦学习模型应用于预设的应用场景中进行预测,确定预测结果,根据各自的预测结果进行比较,获得比较结果。
5.根据权利要求1所述的联邦学习中数据的处理方法,其特征在于,在获取链下数据之前,还包括:
对源数据进行质量检测,根据检测结果;
若检测结果为正常,使源数据加密存储,并向对应的终端发送Token数据;若检测结果为异常,放弃源数据,并向对应的终端发送放弃执行信号。
6.根据权利要求1所述的联邦学习中数据的处理方法,其特征在于,所述可信环境为采用IntelSGX架构所建立,相应地,所述源数据由可信环境从分布式DHT列表中读取。
7.根据权利要求3所述的联邦学习中数据的处理方法,其特征在于,在Fabric联盟链上对交易数据进行聚合划分。
8.一种联邦学习中数据的处理装置,其特征在于,包括:
获取模块,用于获取链下数据和链上数据,所述链下数据为各终端上传到分布式数据库上的源数据,所述链上数据为各终端参与联邦学习过程建模得到的存储在区块链上的中间参数;
处理模块,用于根据所述链下数据和所述链上数据进行联邦学习过程,更新已建联邦学习模型;其中,联邦学习过程在可信环境下进行。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述联邦学习中数据的处理方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项权利要求所述联邦学习中数据的处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011009498.XA CN112182102A (zh) | 2020-09-23 | 2020-09-23 | 联邦学习中数据的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011009498.XA CN112182102A (zh) | 2020-09-23 | 2020-09-23 | 联邦学习中数据的处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112182102A true CN112182102A (zh) | 2021-01-05 |
Family
ID=73955884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011009498.XA Pending CN112182102A (zh) | 2020-09-23 | 2020-09-23 | 联邦学习中数据的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182102A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434269A (zh) * | 2021-06-10 | 2021-09-24 | 湖南天河国云科技有限公司 | 基于区块链的分布式隐私计算方法及装置 |
CN113901505A (zh) * | 2021-12-06 | 2022-01-07 | 北京笔新互联网科技有限公司 | 数据共享方法、装置、电子设备及存储介质 |
CN114328432A (zh) * | 2021-12-02 | 2022-04-12 | 京信数据科技有限公司 | 一种大数据联邦学习处理方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804928A (zh) * | 2018-07-09 | 2018-11-13 | 武汉工商学院 | 一种溯源***中数据的安全可信任区块链及管理方法 |
CN110428058A (zh) * | 2019-08-08 | 2019-11-08 | 深圳前海微众银行股份有限公司 | 联邦学习模型训练方法、装置、终端设备及存储介质 |
CN111061982A (zh) * | 2019-12-11 | 2020-04-24 | 电子科技大学 | 一种基于区块链的新闻资讯发布及管理*** |
CN111125779A (zh) * | 2019-12-17 | 2020-05-08 | 山东浪潮人工智能研究院有限公司 | 一种基于区块链的联邦学习方法及装置 |
CN111212110A (zh) * | 2019-12-13 | 2020-05-29 | 清华大学深圳国际研究生院 | 一种基于区块链的联邦学习***及方法 |
CN111522669A (zh) * | 2020-04-29 | 2020-08-11 | 深圳前海微众银行股份有限公司 | 横向联邦学习***优化方法、装置、设备及可读存储介质 |
CN111552986A (zh) * | 2020-07-10 | 2020-08-18 | 鹏城实验室 | 基于区块链的联邦建模方法、装置、设备及存储介质 |
CN111683117A (zh) * | 2020-05-11 | 2020-09-18 | 厦门潭宏信息科技有限公司 | 一种方法、设备及存储介质 |
CN111698322A (zh) * | 2020-06-11 | 2020-09-22 | 福州数据技术研究院有限公司 | 一种基于区块链和联邦学习的医疗数据安全共享方法 |
-
2020
- 2020-09-23 CN CN202011009498.XA patent/CN112182102A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804928A (zh) * | 2018-07-09 | 2018-11-13 | 武汉工商学院 | 一种溯源***中数据的安全可信任区块链及管理方法 |
CN110428058A (zh) * | 2019-08-08 | 2019-11-08 | 深圳前海微众银行股份有限公司 | 联邦学习模型训练方法、装置、终端设备及存储介质 |
CN111061982A (zh) * | 2019-12-11 | 2020-04-24 | 电子科技大学 | 一种基于区块链的新闻资讯发布及管理*** |
CN111212110A (zh) * | 2019-12-13 | 2020-05-29 | 清华大学深圳国际研究生院 | 一种基于区块链的联邦学习***及方法 |
CN111125779A (zh) * | 2019-12-17 | 2020-05-08 | 山东浪潮人工智能研究院有限公司 | 一种基于区块链的联邦学习方法及装置 |
CN111522669A (zh) * | 2020-04-29 | 2020-08-11 | 深圳前海微众银行股份有限公司 | 横向联邦学习***优化方法、装置、设备及可读存储介质 |
CN111683117A (zh) * | 2020-05-11 | 2020-09-18 | 厦门潭宏信息科技有限公司 | 一种方法、设备及存储介质 |
CN111698322A (zh) * | 2020-06-11 | 2020-09-22 | 福州数据技术研究院有限公司 | 一种基于区块链和联邦学习的医疗数据安全共享方法 |
CN111552986A (zh) * | 2020-07-10 | 2020-08-18 | 鹏城实验室 | 基于区块链的联邦建模方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434269A (zh) * | 2021-06-10 | 2021-09-24 | 湖南天河国云科技有限公司 | 基于区块链的分布式隐私计算方法及装置 |
CN114328432A (zh) * | 2021-12-02 | 2022-04-12 | 京信数据科技有限公司 | 一种大数据联邦学习处理方法及*** |
CN113901505A (zh) * | 2021-12-06 | 2022-01-07 | 北京笔新互联网科技有限公司 | 数据共享方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182102A (zh) | 联邦学习中数据的处理方法、装置、电子设备及存储介质 | |
CN111209334B (zh) | 基于区块链的电力终端数据安全管理方法 | |
US20210004718A1 (en) | Method and device for training a model based on federated learning | |
CN111901309B (zh) | 一种数据安全共享方法、***及装置 | |
CN112765677B (zh) | 一种基于区块链的联邦学习方法、装置和*** | |
US20220263716A1 (en) | Automated closed-loop actions in a network using a distributed ledger | |
CN112506753A (zh) | 一种联邦学习场景中高效的贡献评估方法 | |
US20220318412A1 (en) | Privacy-aware pruning in machine learning | |
CN113901505B (zh) | 数据共享方法、装置、电子设备及存储介质 | |
CN114595830B (zh) | 一种面向边缘计算场景下的隐私保护联邦学习方法 | |
CN115481441A (zh) | 面向联邦学习的差分隐私保护方法及装置 | |
CN113792890B (zh) | 一种基于联邦学习的模型训练方法及相关设备 | |
CN110119621B (zh) | 异常***调用的攻击防御方法、***及防御装置 | |
Li et al. | An Adaptive Communication‐Efficient Federated Learning to Resist Gradient‐Based Reconstruction Attacks | |
Li et al. | A practical introduction to federated learning | |
CN110381060A (zh) | 数据处理方法、装置、***及存储介质 | |
CN111859465A (zh) | 基于区块链的轨道交通分布式智能运维***及其运行方法 | |
CN110730186A (zh) | 基于区块链的Token发放方法、记账节点及介质 | |
CN116916309A (zh) | 一种通信安全认证方法、设备及存储介质 | |
CN111177320A (zh) | 一种基于区块链的类案同判方法、设备及介质 | |
CN116306905A (zh) | 半监督非独立同分布的联邦学习蒸馏方法及装置 | |
CN114503632A (zh) | 用于动态和多样性多域网络的自适应互信模型 | |
DE112021005552T5 (de) | Mehrfaktorauthentifizierung von einheiten des internets der dinge | |
CN114722398A (zh) | 智能合约异常检测方法、区块链网络、设备及存储介质 | |
CN106909832A (zh) | 一种应用程序的安装方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |