科研之友
微信
新浪微博
Facebook
分享链接
摘要
联邦学习解决了机器学习的数据孤岛问题，然而，各方的数据集在数据样本空间和特征空间上可能存在较大差异，导致联邦模型的预测精度下降。针对上述问题，提出了一种基于差分隐私保护知识迁移的联邦学习方法。该方法使用边界扩展局部敏感散列计算各方实例之间的相似度，根据相似度对实例进行加权训练，实现基于实例的联邦迁移学习。在此过程中，实例本身无须透露给其他方，防止了隐私的直接泄露。同时，为了减少知识迁移过程的隐私间接泄露，在知识迁移过程中引入差分隐私机制，对需要在各方之间传输的梯度数据进行扰动，实现知识迁移过程的隐私保护。理论分析表明，知识迁移过程满足ε-差分隐私保护。在XGBoost梯度提升树模型上实现了所提方法，实验结果表明，与无知识迁移方法相比，所提方法使联邦模型测试误差平均下降6%以上。
- 单位
