LSTMSPLIT：基于 Split Learning 的有效 LSTM 时序数据分类方法
机器学习
2022-03-10 v1 人工智能
密码学与安全
摘要
联邦学习（FL）与分割学习（SL）是两种流行的分布式机器学习（ML）方法，提供一定的数据隐私保护机制。在时序分类问题中，许多研究者通常使用基于 SL 方法的单客户端一维卷积神经网络（1DCNN）以降低客户端计算开销，同时保护数据隐私。另一种方法，循环神经网络（RNN），被用于顺序划分的数据，其中多段时序数据的片段分布在不同客户端。然而，据我们所知，基于长短期记忆（LSTM）网络的 SL 研究仍很少，尽管 LSTM 网络在处理时序数据上实际有效。本工作中，我们提出一种新方法 LSTMSPLIT，采用带 LSTM 网络的 SL 架构对多客户端时序数据进行分类。应用差分隐私（DP）以解决数据隐私泄露问题。所提方法 LSTMSPLIT 在使用心电图数据集和人体活动识别数据集时，取得了优于或合理的精度，对比对象为 Split-1DCNN 方法。此外，所提方法 LSTMSPLIT 在应用差分隐私以保护 LSTMSPLIT 切割层用户隐私后，仍能取得良好精度。
引用
@article{arxiv.2203.04305,
title = {LSTMSPLIT: Effective SPLIT Learning based LSTM on Sequential Time-Series Data},
author = {Lianlian Jiang and Yuexuan Wang and Wenyi Zheng and Chao Jin and Zengxiang Li and Sin G. Teo},
journal= {arXiv preprint arXiv:2203.04305},
year = {2022}
}