CASIA OpenIR  > 学术期刊  > 自动化学报
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
Source Publication自动化学报
ISSN0254-4156
2023
Volume49Issue:12Pages:2493-2506
Abstract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.
Keyword联邦学习 深度学习 隐私保护 同态加密 混沌系统
DOI10.16383/j.aas.c201018
Citation statistics
Document Type期刊论文
Identifierhttp://ir.ia.ac.cn/handle/173211/55769
Collection学术期刊_自动化学报
Recommended Citation
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.
Files in This Item: Download All
File Name/Size DocType Version Access License
AAS-CN-2020-1018.pdf(2497KB)期刊论文出版稿开放获取CC BY-NC-SAView Download
Related Services
Recommend this item
Bookmark
Usage statistics
Export to Endnote
Google Scholar
Similar articles in Google Scholar
[张泽辉]'s Articles
[李庆丹]'s Articles
[富瑶]'s Articles
Baidu academic
Similar articles in Baidu academic
[张泽辉]'s Articles
[李庆丹]'s Articles
[富瑶]'s Articles
Bing Scholar
Similar articles in Bing Scholar
[张泽辉]'s Articles
[李庆丹]'s Articles
[富瑶]'s Articles
Terms of Use
No data!
Social Bookmark/Share
File name: AAS-CN-2020-1018.pdf
Format: Adobe PDF
All comments (0)
No comment.
 

Items in the repository are protected by copyright, with all rights reserved, unless otherwise indicated.