(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111472023.9 (22)申请日 2021.12.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 113902131 A (43)申请公布日 2022.01.07 (73)专利权人 中国科学院自动化研究所 地址 100190 北京市海淀区中关村东路95 号 (72)发明人 骆正权　王云龙　孙哲南　 (74)专利代理 机构 北京华夏泰和知识产权代理 有限公司 1 1662 代理人 李永叶 (51)Int.Cl. G06N 20/00(2019.01) G06V 10/774(2022.01)G06K 9/62(2022.01) 审查员 丁蓬莉 (54)发明名称 抵抗联邦学习中歧视传播的节点模型的更 新方法 (57)摘要 本公开涉及一种抵抗联邦学习中歧视传播 的节点模型的更新方法， 上述方法包括： 获取数 据节点对应的节点模型； 计算数据节 点的训练数 据对应的类别特征分布均值和数量比率， 根据节 点模型、 类别特征分布均值和数量比率， 计算分 布加权聚合模 型； 根据节点模型和分布加权聚合 模型计算数据节点对应的正则化项； 计算数据节 点对应的类别特征分布方差， 根据类别特征分布 均值和类别特征分布方差， 使用跨域特征生成器 计算数据节点所需的特征分布层面对应的类别 均衡补充项； 根据分布加权聚合模型、 正则化项 和类别均衡补充项更新节点模型。 采用上述技术 手段， 解决现有技术中， 缺少解决联邦学习中歧 视传播的方案的问题。 权利要求书5页 说明书15页 附图3页 CN 113902131 B 2022.03.08 CN 113902131 B 1.一种抵抗联邦学习中歧视传播的节点模型的更新方法， 其特 征在于， 包括： 获取数据节点对应的节点模型； 计算所述数据节点的训练数据对应的类别特征分布均值和数量比率， 根据所述节点模 型、 所述类别特 征分布均值和所述数量比率， 计算分布加权聚合模型； 根据所述节点模型和所述分布加权聚合模型计算所述数据节点对应的正则化项； 计算所述数据节点对应的类别特征分布方差， 根据 所述类别特征分布均值和所述类别 特征分布方差， 使用跨域特征生成器计算所述数据节点所需的特征分布层面对应的类别均 衡补充项； 根据所述分布加权聚合模型、 所述正则化项和所述类别均衡补充项更新所述节点模 型， 其中， 根据所述节点模型、 所述类别特征分布均值和所述数量比率， 计算分布加权聚合 模型， 包括： 根据所述类别特征分布均值和所述数量比率计算所述数据节点与其他数据节点之间 对应的分布相似度距离； 从多个数据节点对应的多个节点模型中， 选出第一预设数量的节点模型， 根据所述分 布相似度距离和所述第一预设数量的节点模型， 计算分布加权聚合模型， 根据所述节点模型和所述分布加权聚合模型计算所述数据节点对应的正则化项， 包 括： 通过如下公式计算第i个数据节点对应的在第t+1次更新中的正则化项 ： 其中， 为第i个数据节点对应的分布加权聚合模型， 为第i个数据节点对应的 第t+1次更新中的节点模型， 为第i个数据节点对应的第t次更新中的节点模型， ||||表 示求二范数运算， 根据所述类别特征分布均值和所述类别特征分布方差， 使用跨域特征生成器计算所述 数据节点对应的类别均衡补充 项， 包括： 通过如下公式计算第i个数据节点对应的所述类别均衡补充 项 ： 其中， z为除第i个数据节点之外的其他数据节点的输入向量的特征向量， y为除第i个 数据节点之外的其他数据节点的输出向量， li()为第i个数据节点的节点模型对应的损失 函数， 为第i个数据节点的关于输出向量y的类别特征分布均值， 为第i个数据节点的 关于输出向量y的类别特征分布方差， K为第一预设数量， 第i个节点模型的预测模块fP对应权　利　要　求　书 1/5 页 2 CN 113902131 B 2的模型参数为 ， fP()分别为所述节点模型的预测模块fP对应的函数， 表示y满足 分布， 表示Z满足 分布， N()为正态分布， E[  ]表示 数据点样本服从真实分布时的实际均值， Ê表示根据部 分数据点样本计算得到的估计均值， ε是所述跨域特征生成器的参数， 数据点样本包括： 特 征向量z和输出向量y。 2.根据权利要求1所述的方法， 其特征在于， 计算所述数据节点对应的类别特征分布均 值、 数量比率和类别特 征分布方差， 包括 其中， 为类别特征分布均值， 为数量比率， 为类别特征分布方差， i为所述数据 节点的序号， j为所述数据节点的样本数据的类别的序号， 所述节点模型包括： 特征提取模 块fE和预测模块fP， 第i个节点模型的特征提取模块fE和预测模块fP分别对应的模型参数为 和 ， 为第i个数据节点的第j种样本数据的输入向量， 为第i个数据节点的第j 种样本数据的输出向量， f()为所述节点模 型对应的函数， l()为所述节 点模型对应的损失 函数， ni为第i个节点模型所具有的所有的样本数据， T表示总共训练 的轮次， 是节点i的 训练数据集， 表示选取的样本数据都属于样本类别c下的数据， 样本数据有多个样 本类别。 3.根据权利要求1所述的方法， 其特征在于， 根据 所述类别特征分布均值和所述数量比 率计算所述数据节点对应的分布相似度距离， 包括： 定义 为数据节点P的第i种样本数据到数据节点 Q第j种样本数据的距离； 定义fij满足如下公式： 通过如下公式计算数据节点P的第i种样本数据到数据节点Q的j种样本数据对应的分权　利　要　求　书 2/5 页 3 CN 113902131 B 3