面向异构大数据的隐私保护分层模糊神经网络
机器学习
2022-09-20 v1 人工智能
密码学与安全
摘要
异构大数据在机器学习中带来诸多挑战。其海量规模、高维性及固有不确定性使机器学习的几乎每个方面都变得困难，从提供足够算力到保持模型精度再到保护隐私。然而，或许最严峻的问题在于大数据常夹杂敏感个人数据。为此，我们提出一种隐私保护分层模糊神经网络（PP-HFNN），以应对这些技术挑战并缓解隐私担忧。该网络采用两阶段优化算法训练，层次低层的参数通过基于著名交替方向乘子法的方案学习，该方案不向其他智能体泄露本地数据。层次高层的协调由交替优化方法处理，其收敛极快。整个训练过程可扩展、快速，且不像基于反向传播的方法那样受梯度消失问题困扰。在回归与分类任务上的综合仿真展示了所提模型的有效性。
引用
@article{arxiv.2209.08467,
title = {Hierarchical fuzzy neural networks with privacy preservation for heterogeneous big data},
author = {Leijie Zhang and Ye Shi and Yu-Cheng Chang and Chin-Teng Lin},
journal= {arXiv preprint arXiv:2209.08467},
year = {2022}
}