Resumen

El intercambio seguro y confiable de conocimientos entre plataformas es significativo para el análisis de datos inteligente moderno. Para abordar los problemas de compensación entre privacidad y utilidad en el aprendizaje federado complejo, se propone un nuevo marco de aprendizaje federado diferencialmente privado. Primero, se analiza cuantitativamente el impacto de la heterogeneidad de los datos de los participantes en la precisión del modelo global basado en la distancia de 1-Wasserstein. Luego, diseñamos un método de asignación dinámica de presupuesto de privacidad a varios niveles y participantes para reducir el ruido inyectado, mejorando eficientemente la utilidad. Finalmente, se integran y se diseña un algoritmo de aprendizaje federado diferencialmente privado adaptativo (A-DPFL). Se realizan experimentos exhaustivos en conjuntos de datos MNIST y CIFAR-10 redefinidos como no I.I.D, y los resultados demuestran la superioridad en precisión del modelo, convergencia y robustez.

• Materias:Modelo Matemático Gestión ambiental Sistemas dinámicos Datos estructurales Sistema inalámbrico
• Subjects:Mathematical model Environmental management Dynamic systems Structural data Wireless system
• Palabras claves:Confiable; Multiplataforma; Intercambio de conocimientos; Privacidad; Utilidad; Aprendizaje federado
• Keywords:Trusted; Cross-platform; Knowledge sharing; Privacy; Utility; Federated learning