基于独立随机投影的物联网轻量级隐私保护协同学习
密码学与安全
2020-12-15 v1 分布式、并行与集群计算
机器学习
网络与互联网体系结构
摘要
物联网（IoT）将成为实现更优系统智能的主要数据生成基础设施。本文考虑一种实用隐私保护协同学习方案的设计与实现，其中好奇的学习协调器基于多个 IoT 对象贡献的数据样本训练更好的机器学习模型，同时训练数据原始形式的机密性免受协调器窥探。现有的分布式机器学习和数据加密方法会带来显著的计算与通信开销，使其不适合资源受限的 IoT 对象。我们研究一种在每个 IoT 对象上应用独立随机投影以混淆数据、并在协调器上基于来自 IoT 对象的投影数据训练深度神经网络的方法。该方法为 IoT 对象引入轻量计算开销，并将大部分工作负载转移到具备充足计算资源的协调器。尽管 IoT 对象执行的独立投影解决了好奇协调器与某些被攻陷 IoT 对象之间潜在合谋的问题，但它们显著增加了投影数据的复杂度。在本文中，我们利用深度学习在捕捉复杂模式方面的优越学习能力来保持良好的学习性能。广泛的对比评估表明，在轻到中等数据模式复杂度的应用中，该方法优于其他采用加性噪声化实现差分隐私和/或支持向量机进行学习的轻量级方法。
引用
@article{arxiv.2012.07626,
title = {On Lightweight Privacy-Preserving Collaborative Learning for Internet of Things by Independent Random Projections},
author = {Linshan Jiang and Rui Tan and Xin Lou and Guosheng Lin},
journal= {arXiv preprint arXiv:2012.07626},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1902.05197