| 基于博弈论优化的高效联邦学习方案 |
| |
| 作者姓名： | 周全兴 李秋贤 丁红发 樊玫玫 |
| |
| 作者单位： | 凯里学院大数据工程学院,贵州凯里556011;贵州财经大学信息学院,贵阳550025;贵州大学数学与统计学院,贵阳550025 |
| |
| 基金项目： | 国家自然科学基金（61772008,62002080）;贵州省教育厅自然科学研究项目（黔教合KY字［2020179］,［2020180］,［2021140］）;凯里学院做特市（州）高校专项计划项目“基于区块链的黔东南从江香猪溯源体系博弈演化技术研究”;贵州省科技重大专项计划（20183001）;贵州财经大学校级科研课题（2020XYB02）。 |
| |
| 摘 要： | 随着网络信息技术与互联网的发展,数据的隐私与安全问题亟待解决,联邦学习作为一种新型的分布式隐私保护机器学习技术应运而生。针对在联邦学习过程中存在个人数据信息泄露的隐私安全问题,结合Micali-Rabin随机向量表示技术,基于博弈论提出一种具有隐私保护的高效联邦学习方案。根据博弈论激励机制,构建联邦学习博弈模型,通过设置合适的效用函数和激励机制保证参与者的合理行为偏好,同时结合Micali-Rabin随机向量表示技术设计高效联邦学习方案。基于Pedersen承诺机制实现高效联邦学习的隐私保护,以保证联邦学习各参与者的利益和数据隐私,并且全局达到帕累托最优状态。在数字分类数据集上的实验结果表明,该方案不仅提高联邦学习的通信效率,而且在通信开销和数据精确度之间实现平衡。
|
| 关 键 词： | 联邦学习 博弈论 帕累托最优 隐私保护 Micali-Rabin随机向量表示技术 |
| 收稿时间： | 2021-08-19 |
| 修稿时间： | 2021-10-04 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《计算机工程》浏览原始摘要信息 |
|
点击此处可从《计算机工程》下载全文 |
|
