【技术实现步骤摘要】
本专利技术涉及一种基于差分隐私的自适应联邦学习方法,属于安全。
技术介绍
1、近年来,联邦学习作为一种分布式的机器学习方法,因其能够保护数据隐私、适应多个节点的参与需求,已在多个数据敏感领域中得到了广泛应用。通过让各节点在本地完成模型训练,仅传递模型更新至中央服务器进行聚合,联邦学习能够在一定程度上减少数据泄露风险。然而,现有的联邦学习方法在应用过程中依然存在一些亟待解决的问题。
2、首先,参与节点的数据分布常常存在异构性,即各节点数据特征不独立同分布。这种数据异构性会导致模型对新数据的适应性增强的同时,对旧数据的记忆出现衰退,进而引发“灾难性遗忘”现象,影响模型的泛化能力。其次,传统的联邦学习方法在模型更新过程中无法充分保护数据隐私,尤其是在数据含有敏感信息的情况下,模型更新可能泄露节点的隐私信息,存在较高的安全风险。这些问题限制了联邦学习在更高安全性和隐私保护要求的应用场景中的推广和应用。
技术实现思路
1、本专利技术的目的是提供一种基于差分隐私的自适应联邦学习方法,旨在解
...【技术保护点】
1.基于差分隐私的自适应联邦学习方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于差分隐私的自适应联邦学习方法,其特征在于,所述S10具体包括:
3.根据权利要求1所述的基于差分隐私的自适应联邦学习方法,其特征在于,所述S20具体包括:
4.根据权利要求1所述的基于差分隐私的自适应联邦学习方法,其特征在于,所述S30具体包括:
5.根据权利要求1所述的基于差分隐私的自适应联邦学习方法,其特征在于,所述S40具体包括:
6.根据权利要求1所述的基于差分隐私的自适应联邦学习方法,其特征在于,所述S50
<...【技术特征摘要】
1.基于差分隐私的自适应联邦学习方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于差分隐私的自适应联邦学习方法,其特征在于,所述s10具体包括:
3.根据权利要求1所述的基于差分隐私的自适应联邦学习方法,其特征在于,所述s20具体包括:
4.根据权利要求1所述的基于差分隐私的自适应联邦学习方法,其特征在于,所述s30具体包括:
5.根...
【专利技术属性】
技术研发人员:王东鸿,于嘉,张凌,孙羽,朱家雄,李锐鹏,蒋婷婷,
申请(专利权)人:云南省通信产业服务有限公司,
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。