用于时间序列数据分析的洗牌差分隐私联邦学习
机器学习
2023-08-01 v1 人工智能
密码学与安全
摘要
可信联邦学习旨在实现最优性能的同时保障客户端隐私。现有的隐私保护联邦学习方法大多针对图像数据定制，缺乏在时间序列数据上的应用，而时间序列数据在许多重要场景中有应用，如机器健康监测、人类活动识别等。此外，对时间序列数据分析模型施加保护噪声会严重干扰时间依赖学习，导致精度更大幅度下降。为解决这些问题，我们提出了一种面向时间序列数据的隐私保护联邦学习算法。具体而言，我们采用本地差分隐私将隐私保护信任边界扩展至客户端。我们还引入洗牌技术以实现隐私放大，缓解因使用本地差分隐私带来的精度下降。我们在五个时间序列数据集上进行了充分实验。评估结果显示，与无隐私联邦学习相比，我们的算法在小型和大型客户端场景下均经历了最小的精度损失。在相同隐私保护水平下，我们的算法在两种场景下均比集中式差分隐私联邦学习表现出更高的精度。
引用
@article{arxiv.2307.16196,
title = {Shuffled Differentially Private Federated Learning for Time Series Data Analytics},
author = {Chenxi Huang and Chaoyang Jiang and Zhenghua Chen},
journal= {arXiv preprint arXiv:2307.16196},
year = {2023}
}