去中心跨孤岛的混合联邦学习通信算法研究OA
Hierarchical Communication in Decentralized and Cross-Silo Federated Learning
为解决异构数据孤岛之间难以开展安全机器学习的问题,提出了一种异构数据孤岛之间的联邦学习通信方式,实现了横向和纵向混合的联邦学习通信,突破了传统联邦学习横向和纵向参与方之间模型结构不统一的通信壁垒.基于政府、银行等机构的特殊性隐私需求,在混合联邦学习模型的基础上进一步去除了第三方聚合器,计算只在参与方之间进行,大大提高了本地数据的隐私安全性.同时针对上述模型中纵向同态加密为通信过程带来的计算速度瓶颈问题,通过增加本地迭代轮次q将纵向联邦学习的加密时…查看全部>>
Federated learning has become increasingly important for modern machine learning,especially for data privacy sensitive scenarios.It is difficult to carry out secure machine learning between heterogeneous data islands.A federated learning communication mode between heterogeneous data islands is proposed,which realizes the hybrid federated learning communication between horizontal and vertical,and breaks the communication barrier of the disunity of model struc…查看全部>>
吴明奇;康健;李强
吉林大学计算机科学与技术学院,长春 130012吉林大学计算机科学与技术学院,长春 130012吉林大学计算机科学与技术学院,长春 130012
计算机与自动化
隐私计算联邦学习同态加密安全多方计算
privacy-preserving computingfederal learninghomomorphic encryptionsecure multi-party computation
《吉林大学学报（信息科学版）》 2023 (5)
894-902,9
吉林省国际科技合作基金资助项目(20210402082GH)
评论