基于零集中差分隐私的联邦学习激励方案

TN92; 针对联邦学习场景下客户端选择不公平及模型训练低效问题,提出了一种基于激励机制的隐私保护联邦学习框架(zCDP-FL).该框架将第二价反向拍卖应用到客户端的选择策略,设计了激励机制算法(SRAI),最大化系统效益.此外,采用零集中差分隐私,提出了隐私预算动态分配算法,实现训练过程中噪声规模的动态调整,在严格隐私计算边界的情况下提供更强的隐私保护.理论分析与仿真实验证明,zCDP-FL能够有效防止隐私泄露,并提升了2.13%～3.62%模型训练效率....

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 46; no. 1; pp. 79 - 92
Main Authors 李梦倩, 田有亮, 张军鹏, 赵冬梅
Format Journal Article
LanguageChinese
Published 贵州大学大数据与信息工程学院,贵州 贵阳 550025%河北师范大学河北省网络与信息安全重点实验室,河北 石家庄 050024 2025
贵州大学计算机科学与技术学院,贵州 贵阳 550025%贵州大学公共大数据国家重点实验室,贵州 贵阳 550025
贵州大学公共大数据国家重点实验室,贵州 贵阳 550025
Subjects
激励机制
zero-concentrated differential privacy
动态分配
dynamic al-location
incentive mechanism
零集中差分隐私
隐私预算
联邦学习
privacy budget
federated learning
Online AccessGet full text

Cover

More Information
Summary:TN92; 针对联邦学习场景下客户端选择不公平及模型训练低效问题,提出了一种基于激励机制的隐私保护联邦学习框架(zCDP-FL).该框架将第二价反向拍卖应用到客户端的选择策略,设计了激励机制算法(SRAI),最大化系统效益.此外,采用零集中差分隐私,提出了隐私预算动态分配算法,实现训练过程中噪声规模的动态调整,在严格隐私计算边界的情况下提供更强的隐私保护.理论分析与仿真实验证明,zCDP-FL能够有效防止隐私泄露,并提升了2.13%～3.62%模型训练效率.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2025008