基于互信息差分隐私的联邦学习隐私保护方案研究

摘要：在当今数字化时代，人们对数据隐私和安全问题的关注不断提高。为解决机器学习中的数据隐私和安全问题，联邦学习作为一种分布式学习方法被提出，可以在不暴露个人数据的情况下进行模型训练，为参与用户提供更好的隐私保护。然而，由于模型参数包含了用户的数据信息，攻击者可以通过模型参数推断出用户原始数据，在这种情况下，应用差分隐私技术在训练模型中添加噪声是公认的能够防止用户隐私泄露的主要方法，但是噪声的引入会对模型的性能产生负面影响，导致模型的准确性下降。本文针对以加噪方式实现隐私保护的联邦学习方案中的隐私与效用权衡问题，使用互信息差分隐私...

关键词：

数据安全联邦学习隐私保护互信息差分隐私

授予学位：

硕士

学科专业：

软件工程

导师姓名：

代彬

学位年度：

2023

语种：

中文

分类号：

TP309.2(计算技术、计算机技术)

在线出版日期：

2024-09-30 （万方平台首次上网日期，不代表论文的发表时间）

网址：基于互信息差分隐私的联邦学习隐私保护方案研究 https://m.mxgxt.com/news/view/1357721

相关内容

联邦学习：提升AI模型精度与保护数据隐私的新方式
基于隐私保护的数据挖掘技术研究
网络空间的隐私保护及治理研究
国际视野下的隐私权研究：跨文化交流与全球隐私保护
娱乐明星隐私权的立法保护研究
我国娱乐明星隐私权法律保护问题研究
第四届中国数据安全与隐私保护大会在我校举行
隐私计算相关技术介绍
明星隐私权的法律保护
数据挖掘隐私保护算法研究综述

随便看看