科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了解决联邦学习节点间数据非独立同分布(non-IID)导致的模型精度不理想的问题，提出一种隐私保护的数据增强方案。首先，提出了面向联邦学习的数据增强框架，参与节点在本地生成虚拟样本并在节点间共享，有效缓解了训练过程中数据分布差异导致的模型偏移问题。其次，基于生成式对抗网络和差分隐私技术，设计了隐私保护的样本生成算法，在保证原数据隐私的前提下生成可用的虚拟样本。最后，提出了隐私保护的标签选取算法，保证虚拟样本的标签同样满足差分隐私。仿真结果表明，在多种non-IID数据划分策略下，所提方案均能有效提高模型精度并加快模型收敛，与基准方法相比，所提方案在极端non-IID场景下能取得25%以上的精度提升。
- 单位
