-
题名基于博弈论优化的高效联邦学习方案
被引量：8
- 1
-
-
作者
周全兴
李秋贤
丁红发
樊玫玫
-
机构
凯里学院大数据工程学院
贵州财经大学信息学院
贵州大学数学与统计学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第8期144-151,159,共9页
-
基金
国家自然科学基金(61772008,62002080)
贵州省教育厅自然科学研究项目(黔教合KY字[2020179],[2020180],[2021140])
+2 种基金
凯里学院做特市(州)高校专项计划项目“基于区块链的黔东南从江香猪溯源体系博弈演化技术研究”
贵州省科技重大专项计划(20183001)
贵州财经大学校级科研课题(2020XYB02)。
-
文摘
随着网络信息技术与互联网的发展,数据的隐私与安全问题亟待解决,联邦学习作为一种新型的分布式隐私保护机器学习技术应运而生。针对在联邦学习过程中存在个人数据信息泄露的隐私安全问题,结合Micali-Rabin随机向量表示技术,基于博弈论提出一种具有隐私保护的高效联邦学习方案。根据博弈论激励机制,构建联邦学习博弈模型,通过设置合适的效用函数和激励机制保证参与者的合理行为偏好,同时结合Micali-Rabin随机向量表示技术设计高效联邦学习方案。基于Pedersen承诺机制实现高效联邦学习的隐私保护,以保证联邦学习各参与者的利益和数据隐私,并且全局达到帕累托最优状态。在数字分类数据集上的实验结果表明,该方案不仅提高联邦学习的通信效率,而且在通信开销和数据精确度之间实现平衡。
-
关键词
联邦学习
博弈论
帕累托最优
隐私保护
micali-rabin随机向量表示技术
-
Keywords
federated learning
game theory
Pareto optimality
privacy protection
micali-rabin random vector representation technology
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
