[发明专利]一种非独立同分布数据场景下的联邦学习隐私保护方法

权利要求书

1.一种非独立同分布数据场景下的联邦学习隐私保护方法，其特性在于使用ViTGAN生成对抗网络生成近似于真实数据分布的虚假数据，满足本地用户隐私保证的同时提升联邦学习的性能，具体步骤为：

S1：在联邦学习的客户端本地部署ViTGAN，使终端已有的数据和预先分配的一般化数据对ViTGAN的生成器和判别器进行训练；

S11：输入高斯噪声给生成器，产出虚假数据提交给判别器进行判断，根据判别器的输出结果判断是否要对生成器进行进一步训练，若判别器无法识别则对判别器进行强化训练，若能被识别则对生成器进行强化训练；

S12：利用构建Resnet-18网络对于ViTGAN生成的图像数据进行分类测试；

S13：重复S11、S12直至生成器于判别器达到纳什平衡，且测试准确度达到85％；

S14：利用ViTGAN模拟本地数据，产出近似于本地数据分布的虚假数据备用。

2.联邦学习中心服务器向各参与的客户端分发初始模型和训练要求参数，客户端收到初始模型后开始进行训练；

S21：中心服务器用于将原始本地数据集和ViTGAN生成的虚假数据集按照一定比例混合成目标数据集，再以非独立同分布方式划分多个子集数据集使得每个子数据集包含一种或两种类别数据，还用于分配子数据集到客户端使得每个客户端均拥有一个子数据集；

S22：客户端用于基于接收得子数据集，依据当前的分发到的模型参数指导训练当前本地模型，并更新本地模型参数，依据约定的通信方式上传模型参数至中心服务器；

S23：中心服务器还用于根据接收的模型参数进行聚合得到聚合模型参数，依据约定的通信方式下传聚合模型参数至各客户端以作为下一轮联邦学习的基础。

3.重复S21-S23不断强化全局模型，并得到对最新全局模型测试的准确度。