基于三元联邦学习的车联网数据协同学习与通信优化研究

随着汽车互联技术的普及,联邦学习已成为解决数据隐私安全问题的重要手段。然而,与此相伴的成员推理攻击和通信成本仍有待解决和改善。文中提出采用联邦差分隐私方法以防御成员推理攻击,并引入了三元梯度技术和模型压缩以进一步降低通信成本。在差分隐私实验中,通过比较不同高斯噪音分布的方差,发现与传统的差分隐私相比,联邦差分隐私更接近于无隐私保护方案的准确率,特别是当C>1时效果最好。在三元梯度实验中,观察到在数据集MNIST、Cifar10、Cifar100、SVHN上,训练梯度分别降低了93.33%、93.56%、93.60%和93.74%,这表明三元梯度可以更有效地降低通信成本。在层敏感度实验中,发现在rate=85%、90%、95%时的准确率与未压缩时(rate=100%)的准确率相差无几,进一步证明所提方法为解决成员推理攻击和降低通信成本的有效性。