FedDCL：基于联邦学习和数据协作的混合类型隐私保护联合数据学习框架
机器学习
2024-09-30 v1 密码学与安全
摘要
最近，联邦学习因能够在不共享原始数据的情况下实现由多个机构持有的隐私保护集成分析而受到广泛关注。然而，联邦学习需要跨机构进行迭代通信，在持续与外部世界通信极其困难的情境下面临巨大挑战。本研究提出了一种联合数据协作学习（FedDCL），通过将联邦学习与最近提出的称为数据协作分析的非模型共享类型联邦学习相结合来解决此类通信问题。在所提出的 FedDCL 框架中，每个用户机构独立构建降维的中间表示，并与位于同一组 DC 服务器的相邻机构共享这些中间表示。在每个组内 DC 服务器上，将中间表示转换为称为协作表示的可合并形式。随后，在组内 DC 服务器之间进行联邦学习。所提出的 FedDCL 框架无需用户机构进行迭代通信，可在持续与外部世界通信极其困难的情境下实现。实验结果表明，所提出的 FedDCL 的性能相当于现有的联邦学习方法。
引用
@article{arxiv.2409.18356,
title = {FedDCL: a federated data collaboration learning as a hybrid-type privacy-preserving framework based on federated learning and data collaboration},
author = {Akira Imakura and Tetsuya Sakurai},
journal= {arXiv preprint arXiv:2409.18356},
year = {2024}
}
备注
18 pages, 6 figures, 3 tables