一种用于联邦学习的鲁棒安全加权聚合方法

本发明公开了一种用于联邦学习的鲁棒安全加权聚合方法，涉及机器学习技术领域。本发明，在初始化阶段中发布联邦学习任务，生成公共参数；客户端接受联邦学习任务，下载公共参数并对数据集进行预处理；本地阶段中客户端进行本地训练，以及进行掩蔽、编码和权重更新等操作；局部聚合阶段中边缘服务器进行局部聚合并将局部聚合结果发送到参数服务器；全局聚合阶段中参数服务器接受边缘服务器的局部聚合结果，解码并验证全局模型的正确性。本发明在同时考虑权重和本地梯度隐私的基础上，解决了联邦学习中掉线或者通信链路问题导致的数据丢失等问题，提升了系统鲁棒性，以计算轻量级的方式解决了在边缘服务器不可信的情况下的聚合结果验证问题。