结合局部差分隐私的动量梯度下降联邦学习
机器学习
2022-10-17 v2
摘要
如今，信息技术发展迅速。在大数据时代，个人信息的隐私愈发凸显。主要挑战在于找到一种方法，在保证敏感个人信息不被泄露的同时发布和分析数据。中心化差分隐私建立在对可信第三方数据管理者的假设之上。然而，该假设在现实中并非总成立。作为一种新的隐私保护模型，局部差分隐私具有相对较强的隐私保证。尽管联邦学习相对是一种用于分布式学习的隐私保护方法，它仍带来各种隐私问题。为避免隐私威胁并降低通信成本，我们在本文中提出将联邦学习与局部差分隐私及动量梯度下降相整合，以提升机器学习模型的性能。
引用
@article{arxiv.2209.14086,
title = {Momentum Gradient Descent Federated Learning with Local Differential Privacy},
author = {Mengde Han and Tianqing Zhu and Wanlei Zhou},
journal= {arXiv preprint arXiv:2209.14086},
year = {2022}
}
备注
There is a crucial definition error of local differential privacy