基于差分隐私的联邦学习保护方案与应用.pdf
文本预览下载声明
摘要
联邦学习是一种数据不出本地的训练方法，具体表现为在联邦学习训练过程中，
各个客户机利用本地数据训练本地模型，并由中心服务器聚合各个本地模型为全局
模型，此过程多次迭代之后得到最终模型。联邦学习的特点之一是进行训练的服务器
并不直接接触数据，所以联邦学习本身就有保护数据安全的特性。但是研究表明，联
邦学习在本地模型训练和中心模型聚合等方面均会有隐私泄露的问题。差分隐私机
制可以保护数据安全，是通过向数据添加符合分布的噪声，使攻击者分辨不出真实数
据和扰动后数据的方法。
本论文针对联邦学
显示全部