CN110443063A 自适性保护隐私的联邦深度学习的方法 （电子科技大学）_第1页
CN110443063A 自适性保护隐私的联邦深度学习的方法 （电子科技大学）_第2页
CN110443063A 自适性保护隐私的联邦深度学习的方法 （电子科技大学）_第3页
CN110443063A 自适性保护隐私的联邦深度学习的方法 （电子科技大学）_第4页
CN110443063A 自适性保护隐私的联邦深度学习的方法 （电子科技大学）_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明提出一种自适性保护隐私的联邦深21)系统初始化：各参与者与云服务器先协商参与者下载模型参数wglobal作为本地的深度3-2)聚合相同数据属性类的数据属性的贡献度并进行平均，得到数据属性类的贡献3-3)对贡献度进行差分隐私保护：对数据属4-1)参与者选取若干条数据项以及对应标4-2)对数据属性进行差分隐私保护：根据数据属性所在的数4-3)对训练数据属性的标签进行差分隐私保护：将损失5)云服务器聚合：云服务器收集各参与方发来的模型梯度更新云服务器上的全局模音后的该数据属性类的贡献度的绝对值与所有注入拉普拉斯噪音后的数据属性类的贡献3[0003]联合深度学习(FederatedDeepLearning)在不公开自己的数据集的前提下，允许多个参与者联合学习一个共同的模型。这要求参与者用自己的本地数据集进行训练得[0004]差分隐私机制(DifferentialPrivacyMechanism)是一种常用在统计学上的密考虑未来数据增长趋势，牺牲通信开销的安全多方计算以及要求计算开销的同态加密相户场景下的高效性，同时防止服务器推断模型参数和用户训练数据隐私的自适应性的联用户数据同类型的公开数据作为训练数据来进行该深度学习模型的训练，得到深度学习[0009]2)参与者初始化本地模型：服务器将深度学习模型的模型参数wglobal广播给各参与者，参与者下载模型参数wglobal作4小将拉普拉斯噪音自适应性地注入数据属性中，注入拉普拉斯噪音的大小与所在的数据属性类的贡献度大小正相关，且使得注入拉普拉斯噪音后的数据属性满足数据属性隐私出数据属性对模型输出的贡献度大小；参与者可利用随机的隐私保护调整技术来自定义5[0035]用初始化的本地模型参数wlocal及本地数据集Dg中的数据，通过前馈网络训练得xi经第k层lk上神经元ac到第k-1层lk-1神经元a6量为t的小批量数据集Df,作为本次的训练数据；7[0063]其中表示交叉熵代价函数的[0065]分别注入拉普拉斯＝预设的总隐私预算；护联邦深度学

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论