基于注意力聚合的隐私保护联邦学习在生物特征识别中的应用
机器学习
2025-10-02 v1
摘要
由于生物特征数据具有敏感性，尽管生物特征识别对当代应用至关重要，但集中式训练仍会带来隐私风险。联邦学习（FL）允许进行去中心化训练，提供了一种保护隐私的替代方案。然而，传统的联邦学习在可解释性和异构数据（non-IID）方面存在困难。为了处理 non-IID 生物特征数据，本框架在中央服务器中引入了注意力机制，根据局部模型更新的重要性对其进行加权。差分隐私与安全更新协议在保持准确性的同时保护了数据。本研究使用 FVC2004 指纹数据对 A3-FL 框架进行了评估，并使用孪生卷积神经网络（Siamese-CNN）提取每个客户端的特征。通过动态调整客户端的贡献，注意力机制提高了全局模型的准确率。基于指纹数据（FVC2004）的实验评估表明，A3-FL 框架的准确率、收敛速度和鲁棒性均优于标准联邦学习（FedAvg）和静态基线。基于注意力的方法准确率为 0.8413，而 FedAvg、仅本地和集中式方法的准确率分别为 0.8164、0.7664 和 0.7997。即使引入差分隐私，准确率仍保持在 0.8330 的高水平。本研究提出了一种可扩展且注重隐私的生物特征系统，用于在分布式环境中进行安全高效的识别。
关键词
引用
@article{arxiv.2510.01113,
title = {Privacy Preserved Federated Learning with Attention-Based Aggregation for Biometric Recognition},
author = {Kassahun Azezew and Minyechil Alehegn and Tsega Asresa and Bitew Mekuria and Tizazu Bayh and Ayenew Kassie and Amsalu Tesema and Animut Embiyale},
journal= {arXiv preprint arXiv:2510.01113},
year = {2025}
}