典型文献
基于联邦学习的隐私安全和高效通信模型
文献摘要：
深度学习的应用日益广泛,训练样本是深度学习模型的基础.但是在军事、 商业和金融等领域中,往往会出现模型训练时样本数据分散不易集中和隐私保护等问题.因此,数据隐私安全的研究非常重要.以某领域命名实体识别为应用场景,提出了FedPBert模型,采取了横向联邦学习的方式对Bert模型进行了预训练和微调.为了提高模型的精度,采取对客户端网络全参数加密上传服务器的策略.同时,针对在进行联邦学习训练时客户端与服务器进行通信的加密参数过大且通信效率过低的问题,首次设计了一种可以减少加密参数量同时减少通信量的Random Parameter Aggregation(RPA)算法,在取得与全参数加密方法相当性能的同时,能较大程度地减少通信和加密解密带来的算力开销,并通过实验验证了该方法的有效性.
文献关键词：
联邦学习;隐私安全;通信效率;同态加密;命名实体识别
中图分类号：
作者姓名：
黄国鹏;马鑫;谭美淋;李治江
作者机构：
火箭军装备部驻武汉地区第二军事代表室, 湖北 武汉 430223;武汉大学 信息管理学院, 湖北 武汉 430072;内蒙古自治区地理信息中心, 内蒙古 呼和浩特 010010
文献出处：
引用格式：
[1]黄国鹏;马鑫;谭美淋;李治江-.基于联邦学习的隐私安全和高效通信模型)[J].无线电工程,2022(03):417-422
A类：
FedPBert
B类：
高效通信,通信模型,益广,训练样本,深度学习模型,模型训练,时样,隐私保护,数据隐私安全,命名实体识别,横向联邦学习,预训练,微调,客户端,端网络,全参数,学习训练,服务器进行,加密参数,通信效率,参数量,通信量,Random,Parameter,Aggregation,RPA,加密方法,相当性,加密解密,算力,开销,同态加密
AB值：
0.392017
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。
