检索结果-南通市图书馆

电讯技术 2024年

作者：雷靖鹏任诚电子科技大学信息与通信工程学院西南石油大学电气信息学院

传统的联邦学习(Federated Learning， FL)差分隐私（Differential Privacy， DP）保护机制，在一定程度上抵御了差分攻击，防止用户数据的泄露问题，但是引入的噪声扰动在一定程度上又影响了原本数据，导致在服务器聚合时，与原本数据... 详细信息

传统的联邦学习(Federated Learning， FL)差分隐私（Differential Privacy， DP）保护机制，在一定程度上抵御了差分攻击，防止用户数据的泄露问题，但是引入的噪声扰动在一定程度上又影响了原本数据，导致在服务器聚合时，与原本数据产生影响较大的偏差，严重影响了全局模型的准确率和收敛性。为了解决这一问题，本文提出了一种基于扩散式联邦学习差分隐私保护（Diffusive Differential Privacy Federated Learning， DDPFL）方法，通过在服务器端聚合之前，更加精确地对噪声进行拟合，还原精度更高的数据样本，降低了对原模型的影响。在数据分布为IID和Non-IID联邦学习实际场景下，验证了该方法的有效性。并且在数据分布为Non-IID场景下，将本文的方法与联邦学习原始差分隐私保护方法对比，准确率在其基础上提高了1.7%～4.6%。

关键词：联邦学习数据泄露差分隐私保护扩散式传播

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：