10.19665/j.issn1001-2400.20230403
一种高效的联邦学习隐私保护方案
联邦学习允许客户端在只共享梯度的情况下联合训练模型,而不是直接将训练数据提供给服务器.尽管联邦学习避免将数据直接暴露给第三方,对于数据起着一定保护作用,但研究表明,联邦学习场景下传输的梯度依然会导致隐私信息泄露.然而在训练过程中采用加密方案带来的计算和通信开销又会影响训练效率,并且难以适用于资源受限的环境.针对当前联邦学习中隐私保护方案存在的安全与效率等问题,结合同态加密和压缩技术,提出一种安全高效的联邦学习隐私保护方案.通过优化同态加密算法,确保方案安全性的基础上,减少运算次数,提高运算效率;同时设计一种梯度过滤压缩算法,过滤掉与全局模型收敛趋势不相关的本地更新,并采用计算可忽略的压缩操作符量化更新参数,以在保证模型准确率的基础上提高通信效率.安全性分析表明,方案满足不可区分性,数据隐私性和模型安全性等安全特性.实验结果显示,方案不仅有较高模型准确率,而且在通信开销与计算开销方面较现有方案也有明显优势.
联邦学习、隐私保护技术、同态加密、自然压缩
50
TP391;TP181(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;河南省科技攻关计划;河南省科技攻关计划
2023-11-24（万方平台首次上网日期，不代表论文的发表时间）
共10页
178-187
