典型文献
FPCBC:基于众包聚合的联邦学习隐私保护分类系统
文献摘要：
随着企业、政府以及私人等数据资产的不断增加,机器学习领域对于图像等分类应用需求也随之不断增涨.为了应对各种实际的需求,机器学习即服务(machine learning as a service,MLAAS)的云服务部署思想逐渐成为主流.然而,基于云服务实现的应用往往会带来严重的数据隐私安全问题.FPCBC(federated learning privacy-preserving classification system based on crowdsourcing aggregation)是 一种基于众包聚合的联邦学习隐私保护分类系统.它将分类任务众包给多个边缘参与方并借助云计算来完成,不再使用联合训练理想模型的方式来得到可信度高的分类结果,而是让参与方先根据本地有限数据训练出的模型进行推理,然后再使用成熟的算法对推理结果聚合得到较高准确率的分类.重要的是,保证了数据查询方不会泄露任何隐私数据,很好地解决了传统MLAAS的隐私安全问题.在系统实现中,使用同态加密来对需要进行机器学习推理的图像数据加密;改善了一种众包的联邦学习分类算法,并通过引入双服务器机制来实现整个系统的隐私保护计算.通过实验和性能分析表明了该系统的可行性,且隐私保护的安全程度得到了显著提升,更适用于实际生活中对隐私安全需求较高的应用场景.
文献关键词：
联邦学习;众包;同态加密;隐私保护机器学习;分类
中图分类号：
作者姓名：
金歌;魏晓超;魏森茂;王皓
作者机构：
山东师范大学信息科学与工程学院 济南 250358
文献出处：
引用格式：
[1]金歌;魏晓超;魏森茂;王皓-.FPCBC:基于众包聚合的联邦学习隐私保护分类系统)[J].计算机研究与发展,2022(11):2377-2394
A类：
FPCBC,MLAAS
B类：
众包,联邦学习,隐私保护分类,分类系统,数据资产,学习领域,应用需求,machine,learning,service,云服务,服务部署,服务实现,数据隐私安全,federated,privacy,preserving,classification,system,crowdsourcing,aggregation,分类任务,包给,参与方,算来,联合训练,理想模型,来得,可信度,有限数据,数据训练,练出,数据查询,隐私数据,系统实现,同态加密,机器学习推理,图像数据,数据加密,分类算法,服务器,隐私保护计算,实际生活,安全需求,隐私保护机器学习
AB值：
0.412317
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。
