一种联邦学习场景下抗数据投毒攻击的图像分类方法

本发明公开了一种联邦学习场景下抗数据投毒攻击的图像分类方法，包括：1中央服务器初始化全局图像分类模型并发送给参与方；2参与方训练本地图像分类模型并上传至中央服务器；3中央服务器计算使用重复中位数估计法拟合一条鲁棒回归线，计算每个参数的残差并进行归一化；4中央服务器计算参数置信度计算，并对极端值进行校正；5中央服务器更新全局图像分类模型；6重复步骤1‑5进行迭代，以获得最优全局图像分类模型，并利用该模型进行图像分类预测。本发明能抵御联邦学习中的数据投毒攻击，保证了图像分类模型在数据投毒攻击下的精度，从而能提高联邦学习的安全性。