声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：陈律君,肖迪,余柱阳,黄会,李敏,
关键词：压缩感知, 安全多方计算, 联邦学习, 高效通信, 资源受限,
深度学习技术的快速发展给我们带来了极大的便利，但同时也导致大量隐私数据的泄露.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，这看似解决了隐私信息泄露问题，但研究表明联邦学习框架中传输的梯度依然会导致隐私信息泄露.并且，联邦学习的高通信代价的特点难以适用于资源受限的环境.为此，提出了2个通信高效且安全的联邦学习算法，算法使用Top-K稀疏及压缩感知等技术以减少梯度传输造成的通信开销，另外利用安全多方计算中的加法秘密共享对重要的梯度测量值加密，以实现在减少通信开销的同时进一步增强其安全性.2个算法的主要区别是客户端与服务器通信时传递的分别为梯度测量值与梯度测量值的量化结果.在MNIST及Fashion-MNIST数据集上的实验表明，与其他算法相比，本文所提的算法在保证通信代价较低的情况下进一步增加了安全性，同时在模型准确性上也有较好的性能.
来源：2022年第11期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。