典型文献
物联网环境中基于深度学习的差分隐私预算优化方法
文献摘要：
为有效处理物联网大规模应用所带来的海量数据,深度学习在物联网环境中得到广泛应用.然而,深度模型在训练过程中,存在推理攻击、模型逆向攻击等安全威胁,这会导致输入模型中的原始数据泄露.应用差分隐私对深度模型训练过程的参数进行保护,是解决该问题的有效方式.基于此提出一种物联网环境中基于深度学习的差分隐私预算优化方法,根据参数迭代变化规律,自适应地分配不同预算;为避免噪声过大的问题,引入正则化项对扰动项进行约束,既防止神经网络过拟合,又有助于学习模型的显著特征.实验表明,所提方法可有效增强模型的泛化能力;随着模型迭代次数增加,加噪后训练得到的模型,与使用原始数据训练得到的模型,二者精度差值低于0.5％.因此,所提方法既可实现用户隐私保护,同时有效保证模型可用性,实现了隐私性和可用性的平衡.
文献关键词：
物联网;差分隐私;正则化;深度学习;隐私预算
中图分类号：
作者姓名：
罗丹;徐茹枝;关志涛
作者机构：
华北电力大学控制与计算机工程学院,北京 102206
文献出处：
引用格式：
[1]罗丹;徐茹枝;关志涛-.物联网环境中基于深度学习的差分隐私预算优化方法)[J].物联网学报,2022(02):65-76
A类：
B类：
物联网环境,差分隐私,隐私预算,海量数据,深度模型,训练过程,模型逆向,安全威胁,原始数据,数据泄露,模型训练,有效方式,参数迭代,正则化,行约,过拟合,显著特征,增强模型,泛化能力,模型迭代,迭代次数,练得,数据训练,现用,用户隐私保护,可用性,隐私性
AB值：
0.364884
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
