跨云数据隐私保护：集成联邦学习与大语言模型以优化AI系统协同机制
密码学与安全
2025-05-20 v1 人工智能
摘要
在云计算时代，数据隐私保护已成为主要挑战，尤其是在跨云环境共享敏感数据时。然而，如何优化跨云环境的协作仍是一个未解决的问题。本文将联邦学习与大规模语言模型结合起来，以优化AI系统的协同机制。在现有联邦学习框架基础上，我们引入一种跨云架构，联邦学习通过聚合来自去中心化节点的模型更新来工作，而无需暴露原始数据。同时，结合大规模语言模型，其强大的上下文和语义理解能力用于提高模型训练效率和决策能力。我们进一步创新性地引入了安全通信层，以确保模型更新和训练数据的隐私和完整性。该模型使AI系统能够在保护敏感数据的同时，实现跨不同云环境的持续模型适应和微调。实验结果表明，所提出的方法在准确率、收敛速度和数据隐私保护方面显著优于传统联邦学习模型。
引用
@article{arxiv.2505.13292,
title = {Cross-Cloud Data Privacy Protection: Optimizing Collaborative Mechanisms of AI Systems by Integrating Federated Learning and LLMs},
author = {Huaiying Luo and Cheng Ji},
journal= {arXiv preprint arXiv:2505.13292},
year = {2025}
}
备注
Accepted by 2025 IEEE 7th International Conference on Communications, Information System and Computer Engineering