期刊专题

10.3969/j.issn.2095-2163.2022.05.011

面向联邦学习的本地差分隐私设计

引用
为探究联邦学习的权重聚合框架下本地差分隐私对模型精度影响并提升服务端聚合速度以及本地模型的收敛速度.本文面向联邦学习的本地差分隐私机制的实现探讨cells的个数、ε、客户端数量、扰动机制和数据分配方式对模型精度的影响.本文还设计自适应隐私预算策略,提升模型的收敛速度,方法是使用相邻轮模型的相似性与初始隐私预算建立反比关系从而自适应调整隐私预算.实验表明,从精度损失来看,随cells个数、ε、客户端数量增加而变小;在同等ε下,RR,OUE的结果近似一致,NonIID比IID精度损失率高;自适应隐私预算策略能够根据相邻轮模型的相似度提升模型收敛速度.

联邦学习、本地差分隐私、隐私保护、自适应隐私预算

12

TP399(计算技术、计算机技术)

2022-06-01(万方平台首次上网日期,不代表论文的发表时间)

共6页

61-65,69

暂无封面信息
查看本期封面目录

智能计算机与应用

2095-2163

23-1573/TN

12

2022,12(5)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn