Indexed by：
Abstract：
本发明公开了一种基于混合策略的联邦学习模型训练隐私保护方法及系统，将混淆自编码器网络结合到联邦学习参与方本地模型训练过程中，对数据标签进行混淆映射，以此切断梯度信息与数据信息间的关系，阻止攻击方利用梯度信息重构出用户原始数据；将本地化差分隐私机制结合到联邦学习的参数传递过程中，对梯度参数添加满足(ε，δ)‑本地化差分隐私的高斯噪声，以此对梯度信息进行扰动，同时在中心服务器聚合过程中通过随机化机制近似平均聚合，隐藏单个参与方贡献，以此阻止攻击方进行的推理攻击。本发明能够构建一个隐私安全的联邦学习系统，抵御联邦学习模型训练过程中梯度泄漏导致的各种隐私风险，同时在模型性能和隐私安全间达到了更好的平衡。
Keyword：
Reprint Author's Address：
Email：
Patent Info ：
Type： 发明申请
Patent No.： CN202310176259.0
Filing Date： 2023-02-24
Publication Date： 2023-05-26
Pub. No.： CN116167084A
Applicants： 北京工业大学
Legal Status： 实质审查
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 1
Affiliated Colleges：
