典型文献
面向交通流量预测隐私保护的联邦学习方法
文献摘要：
城市交通流量预测在交通管理中变得越来越重要.然而,这些数据往往属于不同机构,无法互联互通,且数据涉及出行大众隐私,集中存储也存在风险.已有研究者用联邦学习模式进行流量预测,但联邦学习本身也存在隐私隐患.提出一种面向交通流量预测隐私保护的联邦学习方法,采用具有隐私保护能力的基于流量预测算法GRU的联邦学习算法进行交通流量预测.具体做法是将差分隐私引入本地GRU算法中,通过在梯度中添加高斯噪声,使得客户端的DP-GRU算法满足(ε,δ)-差分隐私,且使得模型参数具有随机性.对客户端的DP-GRU算法进行了隐私性分析,并在实际交通流量数据集上进行了对比实验.实验表明,在保证隐私的前提下,方法得到了较优的预测结果.
文献关键词：
联邦学习;差分隐私;交通流量预测;GRU;隐私保护;数据安全
中图分类号：
作者姓名：
傅思敏;王健;鹿全礼;赵阳阳
作者机构：
北京交通大学计算机与信息技术学院 北京 100044;山东正中信息技术股份有限公司 济南 250014;山东省数字化应用科学研究院有限公司 济南 250102
文献出处：
引用格式：
[1]傅思敏;王健;鹿全礼;赵阳阳-.面向交通流量预测隐私保护的联邦学习方法)[J].信息安全研究,2022(10):1035-1042
A类：
B类：
交通流量预测,测隐,隐私保护,联邦学习,城市交通,交通管理,学习模式,私隐,预测算法,GRU,具体做法,差分隐私,高斯噪声,客户端,DP,数具,随机性,隐私性,流量数据
AB值：
0.194684
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。
