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：张啸剑,张雷雷,张治政,
关键词：差分隐私, 用户级别差分隐私, 联邦学习, 联邦优化, 本地梯度更新,
基于用户级别本地化差分隐私的联邦学习得到了研究者的广泛关注，联邦数据的类型、本地更新的裁剪、隐私预算的分配以及用户掉线问题直接制约着全局联邦学习模型的精度.针对现有方法难以有效应对该类问题的不足，提出了一种有效基于用户级别本地化差分隐私的联邦学习算法ULDP-FED.该算法能够同时处理同分布与非同分布的联邦数据类型；不同于现有的固定裁剪设置方法，ULDP-FED算法采用裁剪阈值动态衰减策略来实现高斯机制造成的误差与裁剪造成的偏差之间的均衡；为了节省用户手中的隐私预算，该算法通过遍历用户所有历史本地噪音梯度更新来寻找当前轮本地梯度更新的替代更新.若存在高度相似的历史更新，用户只需要上传该历史梯度更新的索引即可，进而减少了用户与服务器之间的通信代价.ULDP-FED算法与现有算法在MNIST和CIFAR10数据上的实验结果表明，其模型精度均高于同类方法.
来源：2025年第2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。