典型文献
支持数据隐私保护的联邦深度神经网络模型研究
文献摘要：
近些年,人工智能技术已经在图像分类、目标检测、语义分割、智能控制以及故障诊断等领域得到广泛应用,然而某些行业(例如医疗行业)由于数据隐私的原因,多个研究机构或组织难以共享数据训练联邦学习模型.因此,将同态加密(Homomorphic encryption,HE)算法技术引入到联邦学习中,提出一种支持数据隐私保护的联邦深度神经网络模型(Pri-vacy-preserving federated deep neural network,PFDNN).该模型通过对其权重参数的同态加密保证了数据的隐私性,并极大地减少了训练过程中的加解密计算量.通过理论分析与实验验证,所提出的联邦深度神经网络模型具有较好的安全性,并且能够保证较高的精度.
文献关键词：
联邦学习;深度学习;数据隐私;同态加密;神经网络
中图分类号：
作者姓名：
张泽辉;富瑶;高铁杠
作者机构：
南开大学软件学院 天津300071
文献出处：
引用格式：
[1]张泽辉;富瑶;高铁杠-.支持数据隐私保护的联邦深度神经网络模型研究)[J].自动化学报,2022(05):1273-1284
A类：
PFDNN
B类：
数据隐私保护,深度神经网络模型,图像分类,目标检测,语义分割,智能控制,医疗行业,共享数据,数据训练,联邦学习,同态加密,Homomorphic,encryption,HE,算法技术,Pri,vacy,preserving,federated,deep,neural,network,隐私性,训练过程,加解密,计算量
AB值：
0.367754
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。
