典型文献
隐私保护的非线性联邦支持向量机研究
文献摘要：
联邦学习为解决"数据孤岛"下的多方联合建模问题提出了新的思路.联邦支持向量机能够在数据不出本地的前提下实现跨设备的支持向量机建模,然而现有研究存在训练过程中隐私保护不足、缺乏针对非线性联邦支持向量机的研究等缺陷.针对以上问题,利用随机傅里叶特征方法和CKKS同态加密机制,提出了一种隐私保护的非线性联邦支持向量机训练(PPN-L FedS V M)算法.首先,基于随机傅里叶特征方法在各参与方本地生成相同的高斯核近似映射函数,将各参与方的训练数据由低维空间显式映射至高维空间中;其次,基于CKKS密码体制的模型参数安全聚合算法,保障模型聚合过程中各参与方模型参数及其贡献的隐私性,并结合CKKS密码体制的特性对参数聚合过程进行针对性优化调整,以提高安全聚合算法的效率.针对安全性的理论分析和实验结果表明,PPNLFedSVM算法可以在不损失模型精度的前提下,保证参与方模型参数及其贡献在训练过程中的隐私性.
文献关键词：
联邦学习;隐私保护;同态加密;支持向量机;多方安全随机种子协商;随机傅里叶特征
中图分类号：
作者姓名：
杨鸿健;胡学先;李可佳;徐阳;魏江宏
作者机构：
中国人民解放军战略支援部队信息工程大学数据与目标工程学院 郑州450001
文献出处：
引用格式：
[1]杨鸿健;胡学先;李可佳;徐阳;魏江宏-.隐私保护的非线性联邦支持向量机研究)[J].计算机科学,2022(12):22-32
A类：
随机傅里叶特征,FedS,PPNLFedSVM,多方安全随机种子协商
B类：
隐私保护,联邦学习,数据孤岛,联合建模,不出,训练过程,中隐,CKKS,同态加密,加密机制,参与方,本地生成,高斯核,映射函数,训练数据,低维空间,显式,高维空间,安全聚合,聚合算法,模型聚合,隐私性,行针,优化调整,高安全,损失模型,模型精度
AB值：
0.273761
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。
