Knowledge Commons of Institute of Automation,CAS
面向非独立同分布数据的自适应联邦深度学习算法 | |
张泽辉; 李庆丹; 富瑶; 何宁昕; 高铁杠 | |
发表期刊 | 自动化学报
![]() |
ISSN | 0254-4156 |
2023 | |
卷号 | 49期号:12页码:2493-2506 |
摘要 | 近些年,联邦学习(Federated learning, FL)由于能够打破数据壁垒,实现孤岛数据价值变现,受到了工业界和学术界的广泛关注.然而,在实际工程应用中,联邦学习存在着数据隐私泄露和模型性能损失的问题.为此,首先对这两个问题进行数学描述与分析.然后,提出一种自适应模型聚合方案,该方案能够设定各参与者的Mini-batch值和自适应调整全局模型聚合间隔,旨在保证模型精度的同时,提高联邦学习训练效率.并且,混沌系统被首次引入联邦学习领域中,用于构建一种基于混沌系统和同态加密的混合隐私保护方案,从而进一步提升系统的隐私保护水平.理论分析与实验结果表明,提出的联邦学习算法能够保证参与者的数据隐私安全.并且,在非独立同分布数据的场景下,该算法能够在保证模型精度的前提下提高训练效率,降低系统通信成本,具备实际工业场景应用的可行性. |
关键词 | 联邦学习 深度学习 隐私保护 同态加密 混沌系统 |
DOI | 10.16383/j.aas.c201018 |
引用统计 | |
文献类型 | 期刊论文 |
条目标识符 | http://ir.ia.ac.cn/handle/173211/55769 |
专题 | 学术期刊_自动化学报 |
推荐引用方式 GB/T 7714 | 张泽辉,李庆丹,富瑶,等. 面向非独立同分布数据的自适应联邦深度学习算法[J]. 自动化学报,2023,49(12):2493-2506. |
APA | 张泽辉,李庆丹,富瑶,何宁昕,&高铁杠.(2023).面向非独立同分布数据的自适应联邦深度学习算法.自动化学报,49(12),2493-2506. |
MLA | 张泽辉,et al."面向非独立同分布数据的自适应联邦深度学习算法".自动化学报 49.12(2023):2493-2506. |
条目包含的文件 | ||||||
文件名称/大小 | 文献类型 | 版本类型 | 开放类型 | 使用许可 | ||
AAS-CN-2020-1018.pdf(2497KB) | 期刊论文 | 出版稿 | 开放获取 | CC BY-NC-SA | 浏览 |
个性服务 |
推荐该条目 |
保存到收藏夹 |
查看访问统计 |
导出为Endnote文件 |
谷歌学术 |
谷歌学术中相似的文章 |
[张泽辉]的文章 |
[李庆丹]的文章 |
[富瑶]的文章 |
百度学术 |
百度学术中相似的文章 |
[张泽辉]的文章 |
[李庆丹]的文章 |
[富瑶]的文章 |
必应学术 |
必应学术中相似的文章 |
[张泽辉]的文章 |
[李庆丹]的文章 |
[富瑶]的文章 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论