【技术实现步骤摘要】
本申请涉及联邦学习，尤其涉及一种基于差分隐私的理性委托联邦学习方法及系统。
技术介绍
1、伴随人工智能等科技的崛起和5g网络的普及，大量客户端设备接入到网络中，产生呈指数级增长的海量数据。这些数据既包含客户端的敏感信息，又是其拥有的无价资产。传统的机器学习要求客户端设备将所有数据集发送到服务器进行训练，这一过程增加了数据跨设备流通的隐私泄露风险。联邦学习作为一种新兴的分布式机器学习范式，允许多源数据不离开客户端设备，通过本地训练并向服务器交换模型参数来满足用户隐私保护和政府法规的要求，打破数据孤岛，实现跨设备建模。不幸地是，现有研究表明，本地模型参数中依旧蕴含数据敏感信息，攻击者可以对这些参数发起攻击，推断客户端设备的原始数据集信息。为了对本地模型参数提供轻量级保护，差分隐私技术应运而生，其可以在数据中添加经过仔细校准的噪声，通过严格的数学计算提供强有力的隐私保证。因此，差分隐私已成为联邦学习框架中越来越受欢迎的隐私保护技术的选择。
2、laplace是常见的差分隐私机制。然而，在分配较小的隐私预算值时，这种机制可能会产生长...
【技术保护点】
1.一种基于差分隐私的理性委托联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的基于差分隐私的理性委托联邦学习方法，其特征在于，所述步骤S1具体为：
3.根据权利要求1所述的基于差分隐私的理性委托联邦学习方法，其特征在于，所述步骤S3具体包括：
4.根据权利要求1所述的基于差分隐私的理性委托联邦学习方法，其特征在于，所述步骤S4具体包括：
5.根据权利要求4所述的基于差分隐私的理性委托联邦学习方法，其特征在于，所述步骤S5具体包括：
6.根据权利要求5所述的基于差分隐私的理性委托联邦学习方法，其特征在...
【技术特征摘要】
1.一种基于差分隐私的理性委托联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的基于差分隐私的理性委托联邦学习方法，其特征在于，所述步骤s1具体为：
3.根据权利要求1所述的基于差分隐私的理性委托联邦学习方法，其特征在于，所述步骤s3具体包括：
4.根据权利要求1所述的基于差分隐私的理性委托联邦学习方法，其特征在于，所述步骤s4具体包括：
...【专利技术属性】
技术研发人员：田有亮，李梦倩，张军鹏，杨泽，熊金波，马建峰，
申请(专利权)人：贵州大学，
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。