计算机应用研究

作者：徐晨阳,葛丽娜,王哲,周永权,秦霞,田蕾,

单位：1.广西民族大学a.人工智能学院;b.网络通信工程重点实验室;c.电子信息学院,南宁530006；2.广西混杂计算与集成电路设计分析重点实验室,南宁530006；

关键词：联邦学习,迁移学习,局部敏感散列,差分隐私,梯度提升树,

基金：国家自然科学基金资助项目(61862007)；广西自然科学基金资助项目(2020GXNSFBA297103)；；

联邦学习解决了机器学习的数据孤岛问题，然而，各方的数据集在数据样本空间和特征空间上可能存在较大差异，导致联邦模型的预测精度下降。针对上述问题，提出了一种基于差分隐私保护知识迁移的联邦学习方法。该方法使用边界扩展局部敏感散列计算各方实例之间的相似度，根据相似度对实例进行加权训练，实现基于实例的联邦迁移学习。在此过程中，实例本身无须透露给其他方，防止了隐私的直接泄露。同时，为了减少知识迁移过程的隐私间接泄露，在知识迁移过程中引入差分隐私机制，对需要在各方之间传输的梯度数据进行扰动，实现知识迁移过程的隐私保护。理论分析表明，知识迁移过程满足ε-差分隐私保护。在XGBoost梯度提升树模型上实现了所提方法，实验结果表明，与无知识迁移方法相比，所提方法使联邦模型测试误差平均下降6%以上。

来源：2023年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2023年第8期