- 1、本文档共14页,其中可免费阅读13页,需付费10金币后方可阅读剩余内容。
- 2、本文档内容版权归属内容提供方,所产生的收益全部归内容提供方所有。如果您对本文有版权争议,可选择认领,认领后既往收益都归您。
- 3、本文档由用户上传,本站不保证质量和数量令人满意,可能有诸多瑕疵,付费之前,请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形,可联系本站下载客服投诉处理。
- 4、文档侵权举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明公开了一种面向跨筒仓联邦学习的保护本地隐私的梯度下降方法,具体实施步骤为:客户端初始化时随机生成标量参数的初始值;客户端执行权重策略选择权重参数;客户端广播模型参数给邻居,同时接收来自内邻居广播的模型参数,再将模型更新参数聚合;客户端更新本地模型参数;客户端更新梯度下降参数。本发明的在跨筒仓联邦学习中保护本地隐私的梯度下降方法,克服了面向跨筒仓/跨设备联邦学习的几种经典梯度下降方法中的隐私缺陷,在训练线性回归任务时可以更好的保护本地模型隐私。
(19)国家知识产权局
(12)发明专利
(10)授权公告号 CN 113449319 B
(45)授权公告日 2022.08.19
(21)申请号 202110698626.4 G06N 3/04 (2006.01)
文档评论(0)