【技术实现步骤摘要】
本专利技术属于联邦学习,尤其涉及基于个性化本地差分隐私的去中心化联邦学习方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、随着云计算、物联网、大数据等技术的迅猛发展,生活中的各种生产会不断生成大量数据,这些数据用传统方法难以处理,这就需要利用机器学习方法对海量数据进行处理,以执行各种任务;但随着隐私和机密保护方面逐渐被重视,出现了数据孤岛问题。在处理数据时,传统的集中式机器学习方法需要中央服务器通过无线传输,收集所有设备的原始数据后再进行处理和分析;但是,这不仅带来了很大的传输成本,同时某些客户端的数据会涉及敏感信息,原始数据的传输可能会导致它们的隐私泄露,进而导致这些客户端为了保护数据隐私,不愿参与训练过程,从而形成数据孤岛。
3、为解决这一问题,联邦学习应运而生;联邦学习作为一种受隐私保护的分布式机器学习,可以保护数据安全并保证数据权责的一致性,可以更好地解决数据孤岛、数据隐私等问题;目前,联邦学习已广泛应用于各个领域中。
4、然而,现有
...【技术保护点】
1.基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,包括:
2.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述分配客户端的初始隐私预算,是采用基于数据集加权的隐私预算初始分配,具体为:
3.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述对隐私预算进行自适应分配,是采用基于模型精度的隐私预算自适应分配,具体为:
4.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述对本地模型参数进行本地差分隐私处理,具体为:
5.如
...【技术特征摘要】
1.基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,包括:
2.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述分配客户端的初始隐私预算,是采用基于数据集加权的隐私预算初始分配,具体为:
3.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述对隐私预算进行自适应分配,是采用基于模型精度的隐私预算自适应分配,具体为:
4.如权利要求1所述的基于个性化本地差分隐私的去中心化联邦学习方法,其特征在于,所述对本地模型参数进行本地差分隐私处理,具体为:
5.如权利要求1所述的基于个性化本地差分隐私的去中心化...
【专利技术属性】
技术研发人员:王连海,李琪,徐淑奖,张淑慧,
申请(专利权)人:山东省计算中心国家超级计算济南中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。