计算机应用研究

作者：侯坤池,王楠,张可佳,宋蕾,袁琪,苗凤娟,

单位：1.黑龙江大学数学科学学院,哈尔滨150080；2.哈尔滨工程大学计算机科学与技术学院,哈尔滨150001；3.齐齐哈尔大学通信与电子工程学院,黑龙江齐齐哈尔161006；

关键词：联邦学习,半监督学习,隐私保护,自编码神经网络,

基金：国家自然科学基金资助项目(61872204,61802118)；黑龙江省自然基金资助项目(JQ2019F003)；黑龙江省省属本科高校基本科研业务费科研项目(135309453)；；

联邦学习是一种新型的分布式机器学习方法，可以使得各客户端在不分享隐私数据的前提下共同建立共享模型。然而现有的联邦学习框架仅适用于监督学习，即默认所有客户端数据均带有标签。由于现实中标记数据难以获取，联邦学习模型训练的前提假设通常很难成立。为解决此问题，对原有联邦学习进行扩展，提出了一种基于自编码神经网络的半监督联邦学习模型ANN-SSFL，该模型允许无标记的客户端参与联邦学习。无标记数据利用自编码神经网络学习得到可被分类的潜在特征，从而在联邦学习中提供无标记数据的特征信息来作出自身贡献。在MNIST数据集上进行实验，实验结果表明，提出的ANN-SSFL模型实际可行，在监督客户端数量不变的情况下，增加无监督客户端可以提高原有联邦学习精度。

来源：2022年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第4期