公开(公告)号：CN114462090B

公开(公告)日：2023-06-27

申请号：CN202210151961.7

申请日：2022-02-18

Applicant: 北京邮电大学

Inventor： 李丽香 ,  石佳鑫 ,  彭海朋

IPC: G06F21/62 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种针对联邦学习中差分隐私预算计算的收紧方法，通过从假设检验的角度出发，计算隐私预算，通过f‑差分隐私技术完成对联邦图像分类系统中隐私预算的跟踪工作，并通过客户端标准化梯度下降法完成对单个客户端更新梯度的规范，限制单个客户端对整体模型的影响，解决了现有工作中梯度阈值超参选择的难题，让模型可以完成更多轮次的训练，以及规避梯度剪裁阈值C对联邦学习模型的影响，使得联邦学习系统可以在不过分影响精度的同时，满足差分隐私。

公开(公告)号：CN114462090A

公开(公告)日：2022-05-10

申请号：CN202210151961.7

申请日：2022-02-18

Applicant: 北京邮电大学

Inventor： 李丽香 ,  石佳鑫 ,  彭海朋

IPC: G06F21/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种针对联邦学习中差分隐私预算计算的收紧方法，通过从假设检验的角度出发，计算隐私预算，通过f‑差分隐私技术完成对联邦图像分类系统中隐私预算的跟踪工作，并通过客户端标准化梯度下降法完成对单个客户端更新梯度的规范，限制单个客户端对整体模型的影响，解决了现有工作中梯度阈值超参选择的难题，让模型可以完成更多轮次的训练，以及规避梯度剪裁阈值C对联邦学习模型的影响，使得联邦学习系统可以在不过分影响精度的同时，满足差分隐私。