[发明专利]一种基于域鉴定的横向联邦模型聚合方法

权利要求书

1.一种基于域鉴定的横向联邦模型聚合方法，其特征在于：所述横向联邦模型聚合方法包括以下步骤：

S1.收集多种初始数据集并切分；

S2.收集多种神经网络模型；

S3.使用切分后的初始数据集训练多种神经网络模型；

S4.使用训练后的神经网络模型与对应的训练数据集的“切分方式”组建为域鉴定训练集；

S5.使用域鉴定训练集对域鉴定模型进行训练得到域鉴定模型；

S6.在横向联邦学习过程中，使用上述域鉴定模型获得各客户端上传的模型与上一轮的聚合模型之间的相似度；

S7.利用相似度对各客户端模型进行加权平均，得到聚合模型；

S8.将聚合模型下发至客户端，继续训练；

S9.循环步骤S6-S8，直到联邦学习过程结束。

2.根据权利要求1所述的一种基于域鉴定的横向联邦模型聚合方法，其特征在于：收集数据集后，按照标签类别将每个数据集划分为非独立同分布数据集组Non-IIDDG以及按照随机分配的方式将每个数据集划分为独立同分布数据集组IIDDG。

3.根据权利要求2所述的一种基于域鉴定的横向联邦模型聚合方法，其特征在于：收集多种神经网络模型后，将每种模型分别在Non-IIDDG和IIDDG中的每个数据集进行训练，得到Non-IIDDG_M和IIDDG_M两组模型。

4.根据权利要求3所述的一种基于域鉴定的横向联邦模型聚合方法，其特征在于：将Non-IIDDG_M中的同种模型两两配对，得到若干模型对，将每个模型对赋予标签值“0”，对IIDDG_M中的同种模型做同样操作，但赋予标签值为“1”，得到以模型对为特征，以“0”或“1”为标签值的域鉴定数据集DIDB。

5.根据权利要求1所述的一种基于域鉴定的横向联邦模型聚合方法，其特征在于：使用域鉴定数据集对域鉴定模型进行训练获取最终的域鉴定模型，具体操作为：

通过原始数据集的不同划分，训练出在不同分布下的网络模型，然后把网络模型与“数据集的不同划分”作为训练数据训练出一个域鉴定模型；

在正常的横向联邦学习过程中，使用训练出来的域鉴定模型来指导训练。

6.根据权利要求1所述的一种基于域鉴定的横向联邦模型聚合方法，其特征在于：在进行联邦学习时，将模型发往各客户端进行训练，得到训练后模型，各客户端模型与上一轮的聚合模型通过域鉴定模型得到域相似度s，根据s获得模型权重后，各客户端模型进行加权聚合。