(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211259853.8 (22)申请日 2022.10.14 (71)申请人 中国人民武装警察部队工程大 学 地址 710086 陕西省西安市沣东 新城三桥 武警路一 号 (72)发明人 邱鑫源　郑会吉　盛萱竺　崔翛龙　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 李燕娥 (51)Int.Cl. G06N 20/20(2019.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 鲁棒性联邦深度学习方法、 装置、 计算机设 备及存储介质 (57)摘要 本发明实施例公开了鲁棒性联邦深度学习 方法、 装置、 计算机设备及存储介质。 所述方法包 括： 接收参与方传递过来的参数； 将所述参数存 储到全局共享参数列表； 当全局共享参数管理列 表收集到的参数数目达到容器上限， 将参数安全 聚合， 对部分参与方上传的参数乘以惩罚矩阵， 并将各参与方的神经网络所提取的图像特征进 行加权融合， 更新共享参数； 清空全局共享参数 列表； 下发更新后的共享参数至参与方。 通过实 施本发明实施例的方法可实现解决全局模型难 以收敛的问题。 权利要求书2页 说明书13页 附图12页 CN 115545222 A 2022.12.30 CN 115545222 A 1.鲁棒性联邦深度学习方法， 其特 征在于， 包括： 接收参与方传递过来的参数； 将所述参数存储到全局共享 参数列表； 当全局共享参数管理列表收集到的参数数目达到容器上限， 将参数安全聚合， 更新共 享参数； 清空全局共享 参数列表； 下发更新后的共享 参数至参与方。 2.根据权利要求1所述的鲁棒性联邦深度学习方法， 其特征在于， 所述下发更新后的共 享参数至参与方之后， 还 包括： 将各参与方的神经网络所提取的图像特 征进行加权融合， 以得到提取 结果。 3.根据权利要求1所述的鲁棒性联邦深度学习方法， 其特征在于， 所述参数包括参与方 上传的参数、 参与方 上传的参数乘以惩罚矩阵后形成的新 参数中至少一个。 4.根据权利要求3所述的鲁棒性联邦深度学习方法， 其特征在于， 所述参与 方上传的参 数乘以惩罚矩阵后形成的新参数是根据若干个参与方 的损失值的均值降序排序后确定需 要乘以惩罚矩阵的参数， 将需要乘以惩罚矩阵的参数乘以惩罚矩阵形成的， 其中， 惩罚矩阵 是不同参与方的损失对 全局模型损失的贡献度。 5.根据权利要求1所述的鲁棒性联邦深度学习方法， 其特征在于， 所述下发更新后的共 享参数至参与方， 包括： 下发更新后的共享参数至参与方， 以使参与方更新自身参数， 且当参与方的本地训练 的损失值小于损失阈值时进行训练。 6.根据权利要求2所述的鲁棒性联邦深度学习方法， 其特征在于， 所述将各参与 方的神 经网络所提取的图像特 征进行加权融合， 以得到提取 结果， 包括： 获取更新自身参数后的参与方 所提取图像特 征， 以得到初始图像特 征； 将所述初始图像特 征进行特征融合， 以得到融合结果； 将所述融合结果进行全连接， 并使用瓶颈层网络提取 特征， 以得到提取 结果。 7.根据权利要求6所述的鲁棒性联邦深度学习方法， 其特征在于， 所述将所述初始图像 特征进行特征融合， 以得到融合结果， 包括： 设置共享度矩阵； 将所述共享度矩阵与所述初始图像特 征进行内积运 算， 以得到融合结果。 8.鲁棒性联邦深度学习装置， 其特 征在于， 包括： 接收单元， 用于接收参与方传递过来的参数； 存储单元， 用于将所述 参数存储到全局共享 参数列表； 聚合单元， 用于当全局共享参数管理列表收集到的参数数目达到容器上限， 将参数安 全聚合， 更新共享 参数； 清空单元， 用于清空全局共享 参数列表； 下发单元， 用于下发更新后的共享 参数至参与方。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器及处理器， 所述存储器上 存储有计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至7中任一项所述 的方法。权　利　要　求　书 1/2 页 2 CN 115545222 A 210.一种存储介质， 其特征在于， 所述存储介质存储有计算机程序， 所述计算机程序被 处理器执行时可实现如权利要求1至7中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115545222 A 3