-
公开(公告)号：CN119538297A
公开(公告)日：2025-02-28
申请号：CN202311094991.X
申请日：2023-08-28
Applicant: 安徽工业大学
IPC: G06F21/62 , G06N20/00 , H04L67/1095 , H04L67/104
Abstract: 本发明公开了一种基于客户端分组的联邦学习隐私保护方法，涉及数据安全技术领域，本发明在客户端数据非独立同分布的环境下，为不同客户端提供不同级别的隐私保护，中央服务器基于Jensen‑Shannon散度对数据分布相似的客户端进行分组；通过平衡数据集对客户本地数据集平衡程度量化，确定不同组之间隐私保护级别，并向组内客户端的模型更新中添加特定级别的干扰噪声，再进行组内聚合；组间进行全局聚合，得到全局模型，本发明针对客户端之间不同的隐私保护需求，通过对客户端分组，为不同组添加不同大小的干扰噪声，在满足隐私异构的同时，降低了整个系统中的噪声干扰程度，提高了全局模型精度，解决了传统差分隐私导致的全局模型精度不高的问题。
Search Results
1
records
(took 0.014 seconds)
筛选
AND
AND
过滤
NOT
NOT
Scan to Join
