-
题名基于Fed-DPDOBO的分散式联邦学习
- 1
-
-
作者
杨巨
邓志良
杨志强
王燕
赵中原
-
机构
南京信息工程大学自动化学院
-
出处
《计算机与现代化》
2024年第4期99-106,共8页
-
基金
江苏省自然科学基金资助项目(BK20200824)
江苏省研究生科研与实践创新计划项目(SJCX23_0391)。
-
文摘
传统的客户-服务器架构联邦学习作为解决数据孤岛问题的有效手段,其中心服务器面临着巨大的带宽压力,分散式的对等架构联邦学习在一定程度上可改善这种情况。然而,联邦学习的客户端还存在着数据隐私泄露的风险,而且其成本函数梯度信息在某些情况下很难获得。针对这些问题,本文为一致性约束下的对等架构联邦学习设计一种Federated Differential Privacy Distributed One-point Bandit Online(Fed-DPDOBO)算法,可有效地解决中心服务器带宽限制和客户端梯度信息未知的问题。此外,差分隐私技术的运用,可很好地保护各客户端数据隐私。最后,通过利用MINST数据集进行分散式联邦学习实验,验证本文算法的有效性。
-
关键词
数据孤岛
联邦学习
一致性约束
对等架构
差分隐私
单点bandit
-
Keywords
data silos
federated learning
consistency constraints
peer-to-peer architecture
differential privacy
one-point bandit
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-