Biblioteca122.739 documentos en línea

Artículo

Utility Optimization of Federated Learning with Differential PrivacyOptimización de la utilidad del aprendizaje federado con privacidad diferencial.

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.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento