电子信息技术

本发明公开一种基于联邦学习的联邦预测方法，通过对本地更新的梯度向量单位化，使单个参与方更新的神经网络模型参数变化只有方向差异，无大小差异，这样既保护了数据隐私，同时不需要使用同态、差分隐私或其他加密技术，在不丢失数据精度情况下，极大减少设备与服务器之间通讯代价。另外，考虑到联邦学习场景下数据往往差异性较大，可以通过增加数据的局部信息，提高对局部参与方的性能，利用k?means算法对上传的神经网络模型参数聚类，得到相似的神经网络模型参数，提高神经网络模型参数聚合权重，既而更加适应于本参与方的数据场景。

技术亮点

本发明所要解决的是现有联邦学习预测效果不佳的问题，提供一种基于联邦学习的联邦预测方法。为解决上述问题，本发明是通过以下技术方案实现的：一种基于联邦学习的联邦预测方法，包括步骤如下：步骤1、服务器初始化神经网络模型的参数，并发送给所有的参与方；所有参与方将初始化神经网络模型的参数作为本地神经网络模型的第0轮模型参数；

联邦预测方法是一种机器学习技术，它使用联邦学习来在多个数据源之间进行预测。这种方法的应用前景非常广泛，下面是一些可能的应用场景：

医疗保健：在医疗保健领域，联邦预测方法可以用于在多个医疗机构之间进行数据共享，以便对患者的健康状况进行预测。还可以帮助医疗机构更好地了解疾病的发病率和治愈率，从而提高医疗保健的质量和效率。

金融服务：在金融服务领域，联邦预测方法可以用于在多个银行或金融机构之间进行数据共享，以便对客户的信用评级进行预测。还可以帮助银行或金融机构更好地了解市场趋势和风险，从而提高决策的准确性和稳定性。

零售业：在零售业，联邦预测方法可以用于在多个零售商之间进行数据共享，以便对客户的购买行为进行预测。还可以帮助零售商更好地了解市场需求和竞争对手的行动，从而提高营销策略的有效性和客户满意度。

城市规划：在城市规划领域，联邦预测方法可以用于在多个城市之间进行数据共享，以便对城市的发展进行预测。还可以帮助城市更好地了解交通流量和环境污染等问题，从而制定更有效的城市规划和治理措施。

总之，联邦预测方法可以帮助多个数据源之间进行数据共享和协同预测，从而提高决策的准确性和效率。它具有广泛的应用前景，可以在各个领域带来实际的商业和社会价值。

1、考虑到联邦学习场景下数据往往差异性较大，可以通过增加数据的局部信息，提高对局部参与方的性能，本发明利用k-means算法对上传的神经网络模型参数聚类，得到相似的神经网络模型参数，提高神经网络模型参数聚合权重，既而更加适应于本参与方的数据场景。

2、本发明通过对本地更新的梯度向量单位化，使单个参与方更新的神经网络模型参数变化只有方向差异，无大小差异，这样既保护了数据隐私，同时不需要使用同态、差分隐私或其他加密技术，在不丢失数据精度情况下，极大减少设备与服务器之间通讯代价。