-
公开(公告)号：CN114841364B
公开(公告)日：2024-06-14
申请号：CN202210393006.4
申请日：2022-04-14
Applicant: 北京理工大学
Abstract: 本发明涉及一种满足个性化本地差分隐私需求的联邦学习方法，属于网络与信息安全技术领域。在联邦学习的每一个迭代轮次中，每个客户端在完成本地模型训练后，根据自己设置的隐私预算对原始的本地模型参数进行扰动，然后发送给服务器。服务器收集所有客户端扰动后的本地模型参数，并根据每个客户端设置的隐私预算计算其对应的概率参数，在聚合全局模型时根据概率参数来决定使用哪些客户端的本地模型。对比现有技术，本发明可抵抗来自不可信服务器的隐私攻击，客户端可设置不同的隐私预算，支持“个性化”的隐私保护。客户端选择机制可以在隐私预算个性化设置的情形下，使服务器获得更准确的全局模型，平衡了数据可用性与隐私性。
-
公开(公告)号：CN114841364A
公开(公告)日：2022-08-02
申请号：CN202210393006.4
申请日：2022-04-14
Applicant: 北京理工大学
Abstract: 本发明涉及一种满足个性化本地差分隐私需求的联邦学习方法，属于网络与信息安全技术领域。在联邦学习的每一个迭代轮次中，每个客户端在完成本地模型训练后，根据自己设置的隐私预算对原始的本地模型参数进行扰动，然后发送给服务器。服务器收集所有客户端扰动后的本地模型参数，并根据每个客户端设置的隐私预算计算其对应的概率参数，在聚合全局模型时根据概率参数来决定使用哪些客户端的本地模型。对比现有技术，本发明可抵抗来自不可信服务器的隐私攻击，客户端可设置不同的隐私预算，支持“个性化”的隐私保护。客户端选择机制可以在隐私预算个性化设置的情形下，使服务器获得更准确的全局模型，平衡了数据可用性与隐私性。
-
Search Results
2
records
(took 0.018 seconds)
