一种基于多模结构检测的安全联邦学习方法

本申请提供了一种基于多模结构检测的安全联邦学习方法，涉及联邦学习技术领域，包括：首先服务器通过可信数据集生成参考特征图，并计算边缘节点上传的特征图与之的距离以获得忠诚度得分，根据得分进行加权聚合得到全局特征图。接着，基于高忠诚度节点间同一类别的成对分布偏移值计算全局异构性得分，以此判断是否存在多模结构。采用层次聚类算法将具有相似特征分布模式的设备划分到不同簇中，并为每个簇计算子类原型特征图。服务器向边缘节点发送相关信息，指导其调整本地训练策略，包括分类、隐私保护、全局一致性及子类对齐损失。此外，还设计了局部重训练验证机制识别恶意节点，确保系统安全性和鲁棒性。