-
公开(公告)号：CN116862022A
公开(公告)日：2023-10-10
申请号：CN202310774409.8
申请日：2023-06-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种通信高效的隐私保护个性化联邦学习方法。本发明研究了一种基于特征融合相互学习的个性化联邦学习，可以通过在客户端对其共享模型、私有模型和融合模型进行交互训练来实现通信高效的个性化学习。具体地，只有共享模型与全局模型共享以减少通信成本，而私有模型可进行个性化设计，融合模型可以在不同阶段自适应地融合本地知识和全局知识。其次，为了进一步降低通信成本并增强梯度的隐私性，本发明设计了一种基于梯度压缩的隐私保护方法。该方法通过构建一种混沌加密循环测量矩阵，可以很好地实现隐私保护和轻量级压缩。此外，本发明还提出了一种基于稀疏性的自适应迭代硬阈值算法，以提高灵活性和重构性能。
Search Results
1
records
(took 0.015 seconds)
筛选
AND
AND
过滤
NOT
NOT
Scan to Join
