[发明专利]一种基于标签量信息的联邦学习节点选择方法及系统

权利要求书

1.一种基于标签量信息的联邦学习节点选择方法，其特征在于，包括以下步骤：

根据本地数据生成标签向量并通过加密矩阵对标签向量进行加密，得到加密后标签向量；

根据计算资源估计单轮训练耗时，得到训练耗时估计；

上传加密后标签向量与训练耗时估计并进行数据整合，得到整合后数据；

基于整合后数据，在预设的最大通信耗时限制下，搜索标签组合分布最优的节点序列作为最终的被选客户节点序列。

2.根据权利要求1所述一种基于标签量信息的联邦学习节点选择方法，其特征在于，所述根据本地数据生成标签向量并通过加密矩阵对标签向量进行加密，得到加密后标签向量这一步骤，其具体包括：

计算节点根据自身本地数据生成标签向量Z_k；

从加密中心获取单位正交矩阵M；

根据单位正交矩阵M对自身的标签向量进行变换，得到加密后标签向量Z_k′。

3.根据权利要求2所述一种基于标签量信息的联邦学习节点选择方法，其特征在于，所述上传加密后标签向量与训练耗时估计并进行数据整合，得到整合后数据这一步骤，其具体包括：

计算节点将加密后标签向量与训练耗时估计上传至计算服务器；

计算服务器根据信道信息估计出各节点的单轮耗时T_k并删除单轮耗时T_k超过预设阈值的节点；

将剩余节点的单轮耗时T_k取整，得到整合后数据。

4.根据权利要求3所述一种基于标签量信息的联邦学习节点选择方法，其特征在于，所述基于整合后数据，在预设的最大通信耗时限制下，搜索标签组合分布最优的节点序列作为最终的被选客户节点序列这一步骤，其具体包括：

计算服务器建立价值矩阵M_value和标签矩阵M_label，并根据节点的加密后标签Z_k′求得全局标签向量Z_global；

打乱节点顺序；

计算服务器依次逐个考虑节点，根据单轮耗时和加密后标签向量逐行更新价值矩阵M_value与标签矩阵M_label；

服务器根据价值矩阵M_value，选择最后一行中的价值最大点所在列，向上逆推出行坐标序列作为最终输出的被选节点序列。

5.根据权利要求4所述一种基于标签量信息的联邦学习节点选择方法，其特征在于，所述计算服务器依次逐个考虑节点，根据单轮耗时和加密后标签向量逐行更新价值矩阵M_value与标签矩阵M_label这一步骤，其具体包括：

在第i行，第j列的单轮更新中，计算服务器先判断当前节点i的耗时T_i是否小于j，判断到i＝0则直接将M_value(0,j)更新为当前节点的价值M_label(0,j)更新为标签向量Z₀；

判断到i≠0且T_ij则将价值矩阵M_value(i,j)与标签矩阵M_label(i,j)均更新为上一行的结果，若i≠0且T_i＝j则求得向上一轮已有方案添加当前节点后时限也为j的新组合方案，对应标签向量Z_new＝Z_i′+M_label(i-1,j-T_i)，对应价值为

将新价值v后与价值矩阵上一行的结果M_value(i-1,j)进行比较大小，判断到新价值v大于价值矩阵上一行的结果M_value(i-1,j)，将M_value(i,j)更新为新价值v，M_label(i,j)更新为Z_new，反之则保留上一轮结果M_value(i-1,j)与M_label(i-1,j)。