基于联邦学习的PATE教师模型聚合优化方法

教师模型全体的隐私聚合（PATE）是一种重要的隐私保护方法，但该方法中存在训练数据集小时训练模型不精确的问题。为了解决该问题，提出了一种基于联邦学习的PATE教师模型聚合优化方法。首先，将联邦学习引入到教师模型全体隐私聚合方案的教师模型训练中，用来提高训练数据少时模型训练的精确度。其次，在该优化方案中，利用差分隐私的思想来保护模型参数的隐私，以降低其被攻击的隐私泄露风险。最后，通过在MNIST数据集下验证该方案的可行性，实验结果表明，在同样的隐私保护水平下该方案训练模型的精确度优于传统的隐私聚合方案。