联邦学习与差分隐私：软件工具分析、Sherpa.ai FL 框架及保护数据隐私的方法论指南
机器学习
2020-10-07 v2 人工智能
密码学与安全
机器学习
摘要
边缘侧对同时保护数据隐私的人工智能服务的高度需求，推动了契合这些需求的新颖机器学习范式的研究。联邦学习旨在通过保持数据于其数据孤岛中的分布式学习方法来保护数据隐私。类似地，差分隐私通过度量联邦学习各元素间通信中的隐私损失来增进数据隐私保护。联邦学习与差分隐私对数据隐私保护挑战的前瞻性匹配已促使若干支持其功能的软件工具发布，但这些工具缺乏对这些技术所需的统一视角，以及支持其使用的方法论工作流。因此，我们提出了构建于联邦学习与差分隐私整体视角之上的 Sherpa.ai 联邦学习框架。它源于对如何将机器学习范式适配于联邦学习的研究，以及对基于联邦学习与差分隐私开发人工智能服务的方法论指南的定义。我们通过一个分类和一个回归用例展示了如何借助 Sherpa.ai 联邦学习框架遵循该方法论指南。
引用
@article{arxiv.2007.00914,
title = {Federated Learning and Differential Privacy: Software tools analysis, the Sherpa.ai FL framework and methodological guidelines for preserving data privacy},
author = {Nuria Rodríguez-Barroso and Goran Stipcich and Daniel Jiménez-López and José Antonio Ruiz-Millán and Eugenio Martínez-Cámara and Gerardo González-Seco and M. Victoria Luzón and Miguel Ángel Veganzones and Francisco Herrera},
journal= {arXiv preprint arXiv:2007.00914},
year = {2020}
}
备注
46 pages, 5 figures