[发明专利]一种基于EMD距离融合多源异构数据的联邦学习方法

权利要求书

1.一种基于EMD距离融合多源异构数据的联邦学习方法，其特征在于，包括：基于EMD距离融合多源异构数据对联邦模型进行训练，联邦系统各参与方把训练好的联邦模型部署到自己的计算机系统中，用于具体的业务处理中；其中，基于EMD距离融合多源异构数据对联邦模型进行训练包括：

S1，联邦学习系统的各参与方按照预设规则对己方本地数据X_i进行数据预处理并分块；

S2，确定中心服务器，中心服务器选取要训练的联邦模型并初始化模型参数，将联邦模型及其参数发送至各参与方；

S3，参与方利用接收到的模型及其参数，结合本地数据对模型进行训练，得到优化后的联邦整体模型；

S4，各参与方计算各方数据块X_i^k相对于整体模型的EMD距离，并上传回中心服务器，中心服务器对各方数据块的EMD距离从小到大排序，去掉EMD距离超过K的数据块，发送剩下的数据块编号给对应的参与方，并进入下一轮联邦迭代；K0；

S5，对进入下一轮迭代的参与方的数据进行随机打乱顺序、重新划分数据块，重复执行步骤S3-S4，直到结果收敛，完成联邦模型的训练。

2.根据权利要求1所述的基于EMD距离融合多源异构数据的联邦学习方法，其特征在于，预设规则包括：统一的数据单位和维度、统一的数据体系和度量坐标。

3.根据权利要求1所述的基于EMD距离融合多源异构数据的联邦学习方法，其特征在于，步骤S3包括：参与方将每一轮己方模型的参数更新，并以块为单位将更新后的模型参数上传到中心服务器，中心服务器利用联邦平均算法FedAvg算出该轮迭代的整体模型参数，得到优化后的联邦整体模型。

4.根据权利要求1所述的基于EMD距离融合多源异构数据的联邦学习方法，其特征在于，确定中心服务器包括：除去各参与方的第三方服务器作为中心服务器或者各轮迭代中随机选取的参与方作为中心服务器。

5.根据权利要求1所述的基于EMD距离融合多源异构数据的联邦学习方法，其特征在于，步骤S1中的分块包括：各参与方以参与方中的最小数据量作为参考划分数据块，每一数据块大小相同。