基于双重信任机制的鲁棒联邦学习方法及系统

摘要

本发明提供了一种基于双重信任机制的鲁棒联邦学习方法及系统，通过归一化客户端梯度限制恶意梯度的恶意性并增大良性梯度的有益性；本发明提出的一致性信任分可以防止全局模型被误导向错误的更新方向并使促进全局模型往良性方向更新的梯度获得更多的信任；本发明提出的多样性信任分则可以防止全局模型被更新方向相同的恶意梯度所支配并增加对多样性大的客户端梯度的信任，从而可以更好地捕获异质环境中多样的梯度信息；本发明使用调和平均数计算聚合权重可以使只有获得双重信任的客户端梯度才会被认为是良性的，任一信任分不足的梯度都被认为是可疑的，从而保证了对恶意客户端梯度的精准识别。