典型文献
动态聚合权重的隐私保护联邦学习框架
文献摘要：
在非可信中心服务器下的隐私保护联邦学习框架中,存在以下两个问题.① 在中心服务器上聚合分布式学习模型时使用固定的权重,通常是每个参与方的数据集大小.然而,不同参与方具有非独立同分布的数据,设置固定聚合权重会使全局模型的效用无法达到最优.② 现有框架建立在中心服务器是诚实的假定下,没有考虑中央服务器不可信导致的参与方的数据隐私泄露问题.为了解决上述问题,基于比较流行的DP-FedAvg算法,提出了一种非可信中心服务器下的动态聚合权重的隐私保护联邦学习DP-DFL框架,其设定了一种动态的模型聚合权重,该方法从不同参与方的数据中直接学习联邦学习中的模型聚合权重,从而适用于非独立同分布的数据环境.此外,在本地模型隐私保护阶段注入噪声进行模型参数的隐私保护,满足不可信中心服务器的设定,从而降低本地参与方模型参数上传中的隐私泄露风险.在数据集CIFAR-10上的实验证明,DP-DFL框架不仅提供本地隐私保证,同时可以实现更高的准确率,相较DP-FedAvg算法模型的平均准确率提高了2.09％.
文献关键词：
联邦学习;差分隐私;动态聚合权重;非独立同分布数据
中图分类号：
作者姓名：
应作斌;方一晨;张怡文
作者机构：
澳门城市大学,中国澳门 999078;安徽新华学院,安徽合肥 230000
文献出处：
引用格式：
[1]应作斌;方一晨;张怡文-.动态聚合权重的隐私保护联邦学习框架)[J].网络与信息安全学报,2022(05):56-65
A类：
动态聚合权重
B类：
隐私保护,联邦学习,非可信,中心服务器,分布式学习,参与方,定聚,全局模型,诚实,假定,定下,中央服务器,不可信,数据隐私,隐私泄露,泄露问题,DP,FedAvg,DFL,模型聚合,中直,数据环境,地参,传中,泄露风险,CIFAR,算法模型,平均准确率,差分隐私,非独立同分布数据
AB值：
0.261134
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。
