面向物联网对象的轻量级隐私保护协同学习
机器学习
2019-02-15 v1 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优机器学习模型，同时训练数据原始形态的机密性免受协调器窥探。现有分布式机器学习与数据加密方法带来显著计算与通信开销，使之不适用于资源受限的 IoT 对象。我们研究一种方法：各 IoT 对象施加独立高斯随机投影以混淆数据，协调器基于来自 IoT 对象的投影数据训练深度神经网络。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至具备充足计算资源的协调器。尽管 IoT 对象的独立投影解决了好奇协调器与部分被攻陷 IoT 对象间潜在合谋的问题，却显著增加了投影数据的复杂度。本文利用深度学习在捕捉复杂模式上的优越学习能力以维持良好学习性能。充分的对比评估表明，在轻量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/或使用支持向量机学习的轻量级方法。
引用
@article{arxiv.1902.05197,
title = {On Lightweight Privacy-Preserving Collaborative Learning for IoT Objects},
author = {Linshan Jiang and Rui Tan and Xin Lou and Guosheng Lin},
journal= {arXiv preprint arXiv:1902.05197},
year = {2019}
}
备注
12 pages,IOTDI 2019