支持数据隐私保护的联邦深度神经网络模型研究

作     者：张泽辉 富瑶 高铁杠 ZHANG Ze-Hui;FU Yao;GAO Tie-Gang

作者机构：南开大学软件学院天津300071 

出 版 物：《自动化学报》 (Acta Automatica Sinica)

年 卷 期：2022年第48卷第5期

页      面：1273-1284页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 0710[理学-生物学] 0810[工学-信息与通信工程] 1002[医学-临床医学] 08[工学] 081104[工学-模式识别与智能系统] 0805[工学-材料科学与工程（可授工学、理学学位）] 0811[工学-控制科学与工程] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0702[理学-物理学] 

基　　金：国家科技重大专项(2018YFB0204304) 天津市研究生科研创新基金资助项目(2019YJSB067)资助。 

主　　题：联邦学习 深度学习 数据隐私 同态加密 神经网络 

摘      要：近些年,人工智能技术已经在图像分类、目标检测、语义分割、智能控制以及故障诊断等领域得到广泛应用,然而某些行业(例如医疗行业)由于数据隐私的原因,多个研究机构或组织难以共享数据训练联邦学习模型.因此,将同态加密(Homomorphic encryption,HE)算法技术引入到联邦学习中,提出一种支持数据隐私保护的联邦深度神经网络模型(Privacy-preserving federated deep neural network,PFDNN).该模型通过对其权重参数的同态加密保证了数据的隐私性,并极大地减少了训练过程中的加解密计算量.通过理论分析与实验验证,所提出的联邦深度神经网络模型具有较好的安全性,并且能够保证较高的精度.