[发明专利]基于本地差分隐私的边缘联邦图像分类方法

权利要求书

1.一种基于本地差分隐私的边缘联邦图像分类方法，其特征在于，包括如下步骤：

(1)构建边缘联邦学习系统：

构建包括参数服务器以及可与其通信的J个边缘服务器E＝{E_j|1≤j≤J}，每个边缘服务器E_j包括I个本地参与方P＝{P_j,i|1≤i≤I}的边缘联邦学习系统，其中，I≥2，J≥2，E_j表示第j个边缘服务器，P_j,i表示第j个边缘服务器E_j中的第i个本地参与方；

(2)本地参与方获取训练样本集和测试样本集：

每个本地参与方P_j,i获取包含C个目标类别的N幅图像，并对每幅图像的目标进行标注后，将其中半数以上的图像及其标签组成训练样本集将剩余的图像及其标签组成测试样本集其中，C≥2，N≥200；

(3)参数服务器为每个本地参与方P_j,i构建图像分类模型H_j,i：

参数服务器为每个本地参与方P_j,i构建包括依次层叠的输入层、隐藏层、输出层的图像分类卷积神经网络模型H_j,i，隐藏层包括l个层叠的卷积层-ReLU层-池化层，输出层包括多个层叠的全连接层，其中l≥2；

(4)本地参与方初始化训练参数：

每个本地参与方P_j,i初始化迭代次数为t，最大迭代次数为T，T≥50，每个图像分类模型H_j,i的权重参数为的参数数量为d，d≥10000，令t＝1；

(5)边缘服务器设置边缘更新参数：

每个边缘服务器E_j设置边缘更新次数为k，最大更新次数为K，K≥10，令k＝1；

(6)本地参与方对图像分类模型的权重参数进行本地优化：

(6a)每个本地参与方P_j,i将训练样本集中有放回地随机选取的B个训练样本作为图像分类模型H_j,i的输入，l个隐藏层对每个训练样本进行特征提取，并对所提取的特征进行压缩，输出层根据压缩后的特征对每个训练样本进行分类，得到B个训练样本的预测标签集合

(6b)每个本地参与方P_j,i采用交叉熵损失函数，通过预测标签值及其对应的真实标签值计算图像分类模型H_j,i的损失值然后求取对H_j,i的权重参数的偏导数采用随机梯度下降算法通过对图像分类模型H_j,i的权重参数进行更新，得到本次迭代的权重参数

(6c)每个本地参与方P_j,i筛选出权重参数中绝对值最大的m个参数并采用本地差分隐私算法对每个参数v_s进行扰动，得到扰动后的参数集合然后将上传到对应的边缘服务器E_j；

(7)边缘服务器获取边缘更新后的结果并发送：

每个边缘服务器E_j对上传参数进行聚合，得到的聚合结果并判断k≥K是否成立，若是，得到本次迭代的边缘更新结果以及对应的图像分类模型H'_j，并将发送到参数服务器后，执行步骤(8)，否则，令k＝k+1，H_j,i＝H'_j，并执行步骤(6)；

(8)参数服务器获取全局更新后的结果并发送：

参数服务器对上传的进行聚合，得到的聚合结果w^t，并判断t≥T是否成立，若是，得到训练好的图像分类模型H'并发送给每个本地参与方P_j,i，否则，令t＝t+1，H_j,i＝H'，并执行步骤(5)；

(9)本地参与方获取图像分类结果：

每个本地参与方P_j,i将测试样本集作为训练好的图像分类模型H'的输入进行前向传播，得到所有测试样本的预测标签值。