基于联邦学习的中心化差分隐私保护算法研究

近年来,联邦学习以独特的训练方式打破了数据“孤岛”,因此受到越来越多的关注。然而在训练全局模型时,联邦学习易受到推理攻击,可能会泄露参与训练成员的一些信息,产生严重的安全隐患。针对联邦训练过程中半诚实/恶意客户端造成的差分攻击,文章提出了基于中心化的差分隐私联邦学习算法DP-FEDAC。首先,优化联邦加速随机梯度下降算法,改进服务器的聚合方式,计算参数更新差值后采用梯度聚合方式更新全局模型,以提升稳定收敛;然后,通过对聚合参数添加中心化差分高斯噪声隐藏参与训练的成员贡献,达到保护参与方隐私信息的目的,同时还引入时刻会计(MA)计算隐私损失,进一步平衡模型收敛和隐私损失之间的关系;最后,与Fed AC、分布式MB-SGD、分布式MB-AC-SGD等算法做对比实验,评估DP-FEDAC的综合性能。实验结果表明,在通信不频繁的情况下,DP-FEDAC算法的线性加速最接近Fed AC,远优于另外两种算法,拥有较好的健壮性;此外DP-FEDAC算法在保护隐私的前提下能够达到与Fed AC算法相同的模型精度,体现了算法的优越性和可用性。

联邦学习在电力数据分析中的应用及隐私保护研究

近年来,人工智能技术在智能电网的调控和数据分析中发挥着日益重要的作用,但是在智能电网数据分析中的“数据壁垒”和隐私泄露是当前亟待解决的问题。为此,文章引入了人工智能领域新兴的联邦学习概念,分析了联邦学习在电力数据分析中的研究现状,并探索了联邦学习在电力数据分析中的应用场景。联邦学习方法能够在最大程度提高模型精确度的同时保证机器学习算法的收敛性与优良性能;将联邦学习与电力数据分析相结合,既能最大化地发挥利益相关者的作用,又能满足各利益相关者的隐私保护需求。联邦学习将为智能电网的信息化和智能化发展开辟全新的路径。