[发明专利]一种同构智能车间之间的联邦学习数据处理算法

权利要求书

1.一种同构智能车间之间的联邦学习数据处理算法，其特征在于，包括：

利用获取的公钥对两个使用方服务器进行加密和模型预训练；

对训练得到的数据进行尺度一致化、小波变换和小波逆变换；

根据小波逆变换结果得到对应的置信度值，根据第一使用方服务器和第二使用方服务器对应的损失值得到对应的收益值；

计算出两个所述使用方服务器的训练梯度值并解密回传，直至损失函数收敛；

具体流程如下：

第一使用方服务器和第二使用方服务器计算出初始模型结构和梯度，并将置信度初始值为1，利用获取的公钥对两个使用方服务器进行加密和模型预训练，并将得到的梯度值和损失值汇总上传至供货方服务器，并判断是否达到置信度精度要求，若没有达到，则供货方服务器对于第一使用方服务器和第二使用方服务器进行梯度补齐，并当成图片进行小波变换，去掉高频部分，保留低频，然后进行小波逆变换，并判断是否是第一次传输，若是第一次传输，则平均第一使用方服务器和第二使用方服务器的逆变换值，得到对应梯度值，并赋值给第一使用方服务器和第二使用方服务器的模型，然后得到对应的新的置信度，用新的置信度和滤波后的模型，计算出适用于第一使用方服务器和第二使用方服务器的新的梯度值，直至达到最大迭代次数或者达到置信度精度要求后，输出模型；

其中，新的置信度值的生成过程为：随机抽取小波逆变换重构得到新的梯度矩阵和二维矩阵中的部分样本，计算出新的模型输出下对应的输出与对应标签中人工标记输出的差别，得到置信度值，并根据所述第一使用方服务器和所述第二使用方服务器对应的损失值，得到对应的收益值；

新的梯度值的生成过程为：供货方服务器根据所述置信度值分别计算出适用于所述第一使用方服务器和所述第二使用方服务器的训练梯度，并由所述供货方服务器解密后，分别回传至所述第一使用方服务器和所述第二使用方服务器，然后所述第一使用方服务器和所述第二使用方服务器根据解密后的训练梯度值进行对应的模型参数更新，直至损失函数收敛。

2.如权利要求1所述的同构智能车间之间的联邦学习数据处理算法，其特征在于，利用获取的公钥对两个使用方服务器进行加密和模型预训练，包括：

利用加密技术掩蔽公共共享样本集，并利用获取的公钥对第一使用方服务器和第二使用方服务器计算出的梯度值进行加密，同时根据标签数据，计算出对应的损失值，并汇总上传至供货方服务器。

3.如权利要求2所述的同构智能车间之间的联邦学习数据处理算法，其特征在于，对训练得到的数据进行尺度一致化、小波变换和小波逆变换，包括：

判断所述第一使用方服务器和所述第二使用方服务器计算出的梯度值中的特征维度的大小，并用零将两个特征维度填充至相同大小后，将尺度一致化后的梯度矩阵和二维矩阵进行小波分解去噪。

4.如权利要求3所述的同构智能车间之间的联邦学习数据处理算法，其特征在于，对训练得到的数据进行尺度一致化、小波变换和小波逆变换，还包括：

通过软阈值函数将大于阈值的高频系数的绝对值减去阈值得到的结果作为新的高频系数，将小于阈值的高频系数置为零，得到新的高低频分量，同时利用小波逆变换重构得到新的梯度矩阵和二维矩阵。