[发明专利]一种基于区块链和联邦学习的公平人脸属性分类方法

权利要求书

1.一种基于区块链和联邦学习的公平人脸属性分类方法，其特征在于，包括以下步骤：

确定联邦学习任务触发区块链交易合约时，由所述区块链交易合约向所有在线的客户端传递所述联邦学习任务，所述联邦学习任务至少包括初始模型；

基于公平约束函数，通过所述客户端对所述初始模型进行训练，获得局部模型，并将局部模型参数发送给区块链节点；

通过所述区块链节点验证所述局部模型参数的公平性，生成客户端信誉，将验证成功的局部模型参数进行加密，和所述客户端信誉打包生成新区块并进行验证；

由中央服务器收集验证成功的局部模型参数进行聚合处理，并基于公平性调整所述验证成功的局部模型参数的权重进而获得全局模型；

基于所述全局模型进行人脸属性识别分类。

2.根据权利要求1所述的基于区块链和联邦学习的公平人脸属性分类方法，其特征在于，

所述公平约束函数如下式所示：

其中，为真实标签，是对的预测值，Q为训练样本总量，表示整体数据真实值与预测值之间的二分类交叉熵损失，[Y]为真实标签取值集合，为敏感属性，代表真实标签为1的概率，表示样本敏感属性的平均值，表示当预测值为时的预测概率。

3.根据权利要求1所述的基于区块链和联邦学习的公平人脸属性分类方法，其特征在于，

基于区块链节点验证所述局部模型参数的公平性的过程包括：所述区块链节点在收到局部模型参数之后，获取所述局部模型的属性公平和平均属性公平之间的匹配度；预设局部模型公平性阈值范围，当所述匹配度在所述阈值范围中，则所述局部模型参数的公平性验证成功。

4.根据权利要求1所述的基于区块链和联邦学习的公平人脸属性分类方法，其特征在于，

生成客户端信誉的过程包括：区块链节点为客户端生成公平性验证评分，之后与区块链节点的签名有效性评分一起组成客户端信誉，并为所述客户端信誉分配权重。

5.根据权利要求1所述的基于区块链和联邦学习的公平人脸属性分类方法，其特征在于，

验证新区块的过程包括：其他区块链节点基于预设规则检验新区块的签名、局部模型参数的数量以及局部模型参数的验证情况的合理性，如果合理，投票给生成该新区块的区块链节点，拥有票数最多的区块链节点获得记账权，剩余的区块链节点将对应的新区块存储在自己的分布式账本中。

6.根据权利要求1所述的基于区块链和联邦学习的公平人脸属性分类方法，其特征在于，

获得全局模型的过程包括：基于中央服务器获取每个局部模型的准确性、平均准确性、属性公平以及平均属性公平，通过计算获得所述准确性与平均准确性的第一比较结果，所述属性公平以及平均属性公平的第二比较结果；基于所述第一比较结果和第二比较结果确定每个局部模型的权重；基于每个局部模型的权重对局部模型进行聚合，获得当前的局部模型聚合；基于超参数控制当前的局部模型聚合和上一次全局模型的比重，更新全局模型，直至训练结束，获得最新的全局模型。

7.根据权利要求6所述的基于区块链和联邦学习的公平人脸属性分类方法，其特征在于，

获得最新的全局模型之后的过程包括：基于当前训练轮次的客户端信誉与最大客户端信誉之间的差值，获得所述最新的全局模型的压缩比例，基于所述最新的全局模型以及对应的压缩比例，为客户端分配模型奖励。

8.根据权利要求7所述的基于区块链和联邦学习的公平人脸属性分类方法，其特征在于，

获得最新的全局模型之后的过程还包括：由区块链交易合约将所述最新的全局模型返回给模型需求者，并基于客户端信誉的历史值为客户端发送货币奖励。