一种基于层次聚类的联邦学习方法及系统

摘要

本发明为克服在联邦学习数据非独立同分布下，抵抗恶意攻击效果不理想的缺陷，提出一种基于层次聚类的联邦学习方法及系统包括以下步骤：根据服务器收到客户端上传的局部模型，对客户端进行聚类处理，将客户端分成k类；在每个类中，采用传统分布式机器学习的聚合算法，分别选出k个客户端类的代表；对选择的代表重新计算权重，减弱可能存在的恶意代表影响，对选择的代表进行加权平均，得到更新的全局模型。最终在联邦学习数据非独立同分布的情况下，有效地抵抗恶意客户端的攻击。