期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于PDMM的联邦Elastic Net模型参数安全聚合方案研究
1
作者 何维民 赵磊 余嘉云 《南京师范大学学报(工程技术版)》 2025年第4期37-48,共12页
目前,联邦学习模型均使用数据隐私保护技术(如密码学和差分隐私)来保证模型的参数安全聚合,该技术会带来模型精度低和通信效率低等问题.为了克服该弊端,本文针对联邦Elastic Net模型提出了一种基于原对偶方法(primal-dual method of mul... 目前,联邦学习模型均使用数据隐私保护技术(如密码学和差分隐私)来保证模型的参数安全聚合,该技术会带来模型精度低和通信效率低等问题.为了克服该弊端,本文针对联邦Elastic Net模型提出了一种基于原对偶方法(primal-dual method of multipliers, PDMM)的联邦Elastic Net参数安全聚合方案——PDMM-Fed. PDMM-Fed主要分为三步:(1)每个客户端上需要生成一个虚拟客户端,客户端上有训练数据集,虚拟客户端上无训练数据集;(2)将Elastic Net的目标函数均方误差项和正则化项分别置于客户端和虚拟客户端上,作为待优化的凸函数;(3)将PDMM中的子空间扰动方法引入到中心化的联邦学习网络拓扑中,以确保参与方本地的模型参数不会被逆向推理.实验结果表明,在保证客户端上模型参数安全的情形下,PDMM-Fed依然有着较高的通信效率和模型精度. 展开更多
关键词 联邦学习模型 Elastic Net primal-dual method of multipliers 参数安全聚合
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部