面向联邦学习的本地差分隐私设计

摘要：

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.

关键词：联邦学习、本地差分隐私、隐私保护、自适应隐私预算

所属期刊栏目：12

分类号：TP399(计算技术、计算机技术)

在线出版日期：2022-06-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：61-65,69