典型文献
一种隐私保护的联邦学习框架
文献摘要：
大数据时代,数据安全性和隐私性受到越来越多的关注和重视.联邦学习被视为是一种隐私保护的可行技术,允许从去中心化的数据中训练深度模型.针对电力投资系统中各部门因担心数据隐私信息泄露而带来的数据孤岛和隐私保护问题,提出了一种隐私保护的联邦学习框架,允许各部门 自有数据在不出本地的情况下,联合训练模型.首先,提出了联邦学习的架构,支持分布式地训练模型;其次,引入同态加密技术,提出了隐私保护的联邦平均学习流程,在数据隐私保护的情况下,实现联合训练模型;最后,实验结果表明,该框架具有较好的收敛性,而且联合训练得到的模型具有较好的精度.
文献关键词：
数据隐私;联邦学习;深度学习;同态加密技术;卷积神经网络
中图分类号：
作者姓名：
杨东宁;谢潇睿;吉志坤;姬维维
作者机构：
云南电网有限责任公司信息中心,云南昆明650011;西南林业大学大数据与智能工程学院,云南昆明650224;云南云电同方科技有限公司,云南昆明650220
文献出处：
引用格式：
[1]杨东宁;谢潇睿;吉志坤;姬维维-.一种隐私保护的联邦学习框架)[J].电子技术应用,2022(05):94-97,103
A类：
B类：
联邦学习,数据安全性,隐私性,去中心化,深度模型,电力投资,担心,心数,隐私信息,信息泄露,数据孤岛,保护问题,自有,不出,联合训练,训练模型,同态加密技术,联邦平均,学习流程,数据隐私保护,收敛性,练得
AB值：
0.288454
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。
