典型文献
基于联邦学习的边缘计算隐私保护
文献摘要：
联邦学习是1种分布式机器学习技术和框架,保障数据隐私安全的同时实现数据共享和数据建模.基于边缘计算的联邦学习是目前处理大量互联网数据的1种有效方法.介绍联邦学习及边缘计算的相关概述,分析联邦学习存在的隐私风险,提出差分隐私、同态加密以及区块链技术等一系列解决隐私分析的有效策略.
文献关键词：
联邦学习;边缘计算;隐私保护
中图分类号：
作者姓名：
何韵诗
作者机构：
华南理工大学,广东广州 510641
文献出处：
引用格式：
[1]何韵诗-.基于联邦学习的边缘计算隐私保护)[J].通信电源技术,2022(22):85-87
A类：
B类：
联邦学习,边缘计算,隐私保护,分布式机器学习,机器学习技术,数据隐私安全,数据建模,前处理,互联网数据,相关概述,隐私风险,出差,差分隐私,同态加密,私分,有效策略
AB值：
0.377373
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。
