基于混沌映射的隐私保护分布式深度学习用于不完整和非独立同分布数据集
机器学习
2024-02-16 v1 密码学与安全
分布式、并行与集群计算
摘要
联邦学习是一种机器学习方法，能够在多个拥有敏感数据的参与者之间训练深度学习模型，使他们能够在不损害数据隐私的前提下共享知识。在本研究中，作者采用了一种具有额外隐私层的安全联邦学习方法，并提出了一种应对非独立同分布（Non-IID）挑战的方法。此外，我们将差分隐私与基于混沌的加密作为隐私层进行了比较。实验方法评估了使用独立同分布（IID）和非独立同分布数据的联邦深度学习模型在差分隐私下的性能。在每次实验中，联邦学习过程提高了深度神经网络的平均性能指标，即使在非独立同分布数据的情况下也是如此。
引用
@article{arxiv.2402.10145,
title = {A chaotic maps-based privacy-preserving distributed deep learning for incomplete and Non-IID datasets},
author = {Irina Arévalo and Jose L. Salmeron},
journal= {arXiv preprint arXiv:2402.10145},
year = {2024}
}