基于差分隐私保护知识迁移的联邦学习方法OACSTPCD
联邦学习解决了机器学习的数据孤岛问题,然而,各方的数据集在数据样本空间和特征空间上可能存在较大差异,导致联邦模型的预测精度下降。针对上述问题,提出了一种基于差分隐私保护知识迁移的联邦学习方法。该方法使用边界扩展局部敏感散列计算各方实例之间的相似度,根据相似度对实例进行加权训练,实现基于实例的联邦迁移学习。在此过程中,实例本身无须透露给其他方,防止了隐私的直接泄露。同时,为了减少知识迁移过程的隐私间接泄露,在知识迁移过程中引入差分隐私机制,对需要在…查看全部>>
徐晨阳;葛丽娜;王哲;周永权;秦霞;田蕾
广西民族大学人工智能学院,南宁530006 广西民族大学网络通信工程重点实验室,南宁530006广西民族大学人工智能学院,南宁530006 广西民族大学网络通信工程重点实验室,南宁530006 广西混杂计算与集成电路设计分析重点实验室,南宁530006广西民族大学人工智能学院,南宁530006 广西民族大学网络通信工程重点实验室,南宁530006 广西混杂计算与集成电路设计分析重点实验室,南宁530006广西民族大学人工智能学院,南宁530006 广西混杂计算与集成电路设计分析重点实验室,南宁530006广西民族大学人工智能学院,南宁530006 广西民族大学网络通信工程重点实验室,南宁530006广西民族大学网络通信工程重点实验室,南宁530006 广西民族大学电子信息学院,南宁530006
计算机与自动化
联邦学习迁移学习局部敏感散列差分隐私梯度提升树
《计算机应用研究》 2023 (8 )
P.2473-2480,8
评论