典型文献
基于博弈论优化的高效联邦学习方案
文献摘要：
随着网络信息技术与互联网的发展,数据的隐私与安全问题亟待解决,联邦学习作为一种新型的分布式隐私保护机器学习技术应运而生.针对在联邦学习过程中存在个人数据信息泄露的隐私安全问题,结合Micali-Rabin随机向量表示技术,基于博弈论提出一种具有隐私保护的高效联邦学习方案.根据博弈论激励机制,构建联邦学习博弈模型,通过设置合适的效用函数和激励机制保证参与者的合理行为偏好,同时结合Micali-Rabin随机向量表示技术设计高效联邦学习方案.基于Pedersen承诺机制实现高效联邦学习的隐私保护,以保证联邦学习各参与者的利益和数据隐私,并且全局达到帕累托最优状态.在数字分类数据集上的实验结果表明,该方案不仅提高联邦学习的通信效率,而且在通信开销和数据精确度之间实现平衡.
文献关键词：
联邦学习;博弈论;帕累托最优;隐私保护;Micali-Rabin随机向量表示技术
中图分类号：
作者姓名：
周全兴;李秋贤;丁红发;樊玫玫
作者机构：
凯里学院大数据工程学院,贵州凯里556011;贵州财经大学信息学院,贵阳550025;贵州大学数学与统计学院,贵阳550025
文献出处：
引用格式：
[1]周全兴;李秋贤;丁红发;樊玫玫-.基于博弈论优化的高效联邦学习方案)[J].计算机工程,2022(08):144-151,159
A类：
Micali
B类：
博弈论,联邦学习,学习方案,网络信息技术,习作,分布式隐私保护,隐私保护机器学习,机器学习技术,学习过程,个人数据信息,信息泄露,隐私安全,Rabin,向量表示,博弈模型,效用函数,行为偏好,技术设计,Pedersen,数据隐私,帕累托最优,分类数据,通信效率,通信开销
AB值：
0.291952
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。
