[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

说明书

本发明公开了一种基于区块链和联邦学习的公平人脸属性分类方法，属于计算机视觉技术领域，包括：模型需求者发布联邦学习任务，区块链交易合约向客户端传递联邦学习任务；客户端接收到联邦学习任务后，对局部模型进行训练，并将局部模型参数加密发送给区块链节点；区块链节点验证局部模型参数的公平性，生成客户端信誉，并将验证成功的局部模型参数进行加密，和客户端信誉打包生成新区块；区块链交易合约将新区块广播给其他区块链节点进行验证，中央服务器收集验证成功的局部模型参数并进行聚合，获得全局模型；模型需求者基于全局模型进行人脸属性识别分类。本发明实现了全局模型属性公平的增强，同时维持了人脸属性分类理想的准确率。

技术领域

本发明属于计算机视觉技术领域，特别是涉及一种基于区块链和联邦学习的公平人脸属性分类方法。

背景技术

人脸是一种重要的生物特征，其构造复杂、丰富多变，能够提供具体且多样化的个体或群体信息，因而成为表达人类身份特征的典型依据。人脸属性分类能够预测出给定人脸图片的属性信息，比如性别，对于人脸识别、人脸验证等计算机视觉领域至关重要，目前已受到广泛研究，并被应用于众多实际场景中。

近几年发生的相关事件和科学研究表明，人脸属性分类系统可能会对拥有某些属性的群体或个体产生偏见。Buolamwini等人指出，常用的人脸识别API在PilotParliaments Benchmark（PPB）测试数据集存在严重的偏见问题，例如，针对性别（男性/女性）的判定最高有20.6%的差别。

为了解决上述分类差异性问题，有关学者提出了针对集中式机器学习的解决方案，例如平衡数据集、元平衡网络、特征蒸馏等。这些方案虽然取得了一定的效果，但是无法直接应用于以城市监控系统为代表的分布式系统中，原因主要有两方面：第一，城市监控系统通过大量的监控设备对多类型、大规模的人脸数据进行训练，这些监控设备通常是分散的，难以对其算力进行合并。第二，对富含用户敏感隐私信息的人脸图像进行统一收集及集中式管理违背了用户日益增强的隐私保护意愿，甚至违反GDPR等法规对数据业务合规性的要求。因此学者们提出了针对联邦学习（Federated Learning，FL）的公平性增强方案，旨在实现隐私保护的前提下，高效地完成模型训练，提高属性公平。

需要关注的是，应用于城市监控系统的FL很容易受到来自恶意客户端的攻击，并且由于FL的训练过程无法追溯，难以实现对恶意客户端的锁定及追责。BCFL（Blockchain-based Federated Learning）结合了区块链，在应对上述问题方面具有明显优势，然而BCFL同样具有FL中普遍存在的异构性，且系统构造更为复杂，所以同样存在偏见和歧视问题。此外，除以降低全局模型准确性为目标的攻击外，BCFL也会受到用于放大模型偏见的新型攻击。而对BCFL的公平性问题，尤其是人脸属性公平尚存在研究空白。因此，亟需提出一种基于区块链和联邦学习的公平人脸属性分类方法。

发明内容

本发明的目的是提供一种基于区块链和联邦学习的公平人脸属性分类方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于区块链和联邦学习的公平人脸属性分类方法，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。

可选地，所述公平约束函数如下式所示：