基于联邦学习的供应链隐私保护协同预测方法.docxVIP

基于联邦学习的供应链隐私保护协同预测方法

技术领域

本发明涉及联邦学习与供应链协同技术领域，具体涉及一种基于联邦学习的供应链隐私保护协同预测方法。

背景技术

在供应链协同预测场景中，供应商、制造商、分销商等多个参与方希望通过共享数据联合训练预测模型，提升整体的预测准确率，但是各参与方的数据涉及商业隐私，例如成本数据、销售数据、产能数据等，无法直接共享。传统的中心化协同预测方法需要将数据汇总到中心节点，存在严重的隐私泄露风险，导致各参与方不愿意共享数据，无法实现有效的协同预测。

发明内容

本发明的目的在于解决供应链协同预测中的隐私保护问题，提供一种基于联邦学习的供应链隐私保护协同预测方法，在不泄露各参与方隐私数据的前提下，实现协同预测。

该方法包括：

S1、联邦学习网络构建：构建由供应链各参与方作为客户端、协调方作为服务端的联邦学习网络，各参与方本地存储自己的隐私数据；

S2、本地模型训练：各参与方在本地利用自己的隐私数据训练本地的预测模型，只上传模型的参数更新梯度，不上传原始数据；

S3、梯度加密与聚合：服务端对各参与方上传的梯度进行加密聚合，采用差分隐私技术添加噪声，保护各参与方的梯度隐私，然后更新全局模型；

S4、模型下发与迭代：将更新后的全局模型下发给各参与方，重复本地训练与聚合的过程，直到模型收敛，最终各参与方共享训练好的全局协同预测模型。

有益效果：本发明基于联邦学习实现