面向多源数据的个性化联邦学习框架

作     者：裴浪涛 陈学斌 任志强 翟冉 PEI Langtao;CHEN Xuebin;REN Zhiqiang;ZHAI Ran

作者机构：华北理工大学理学院河北唐山063210 河北省数据科学与应用重点实验室(华北理工大学)河北唐山063210 唐山市数据科学重点实验室(华北理工大学)河北唐山063210 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2024年第60卷第19期

页      面：278-287页

学科分类：0839[工学-网络空间安全] 08[工学] 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）] 

基　　金：国家自然科学基金(U20A20179) 

主　　题：联邦学习 差分隐私 沙普利值 不平衡数据 

摘      要：在联邦学习中,中心服务器聚合来自不同的客户端经过差分隐私扰动后的模型,其中差分隐私噪声添加的大小和隐私预算的分配直接影响到模型的可用性,现有的研究大多基于平衡的数据和固定的隐私预算,在处理多源不平衡数据时难以权衡精度与隐私保护水平,针对该问题提出了一种具有自适应差分隐私噪声添加的联邦学习框架,采取基于沙普利值的贡献度证明算法计算不同数据来源的客户端的贡献度,并依据贡献度为不同客户端在梯度更新的过程中添加差异化的差分隐私噪声,继而实现个性化的隐私保护。理论和实验分析表明该框架面对多源不平衡数据时不仅可以为不同参与方提供更加细化的隐私保护水平,同时在模型性能方面也比传统的FL-DP算法高出1.3个百分点。