跨域数据隐私的联邦学习：面向安全协作的分布方法
机器学习
2025-04-02 v1 密码学与安全
摘要
本文提出了一种基于联邦学习的数据隐私保护框架，旨在确保数据隐私的前提下实现跨域的数据协作。联邦学习通过在每个客户端上本地训练模型并仅共享模型参数而非原始数据，从而大幅降低隐私泄露的风险。实验通过模拟医疗、金融和用户数据，验证了联邦学习在不同数据源下的高效性和隐私保护能力。结果表明，联邦学习不仅能在多域数据环境中维持高模型性能，还能确保有效保护数据隐私。本文的研究为跨域数据协作提供了一条新的技术路径，同时在保护隐私的前提下推动了大规模数据分析和机器学习的应用。
引用
@article{arxiv.2504.00282,
title = {Federated Learning for Cross-Domain Data Privacy: A Distributed Approach to Secure Collaboration},
author = {Yiwei Zhang and Jie Liu and Jiawei Wang and Lu Dai and Fan Guo and Guohui Cai},
journal= {arXiv preprint arXiv:2504.00282},
year = {2025}
}