本发明是针对现有异步联邦学习技术中通信开销过大、公平性与准确性相矛盾、本地模型梯度收集和全局模型梯度聚合更新过程中的梯度隐私泄露的问题,提出的一种支持异步机制的隐私保护联邦学习方法。该方法在设定时长内接收所有最新的和陈旧的第一模型密文,对这些模型按照落后第二模型轮次的程度赋予不同权重并加权聚合,避免了由于网络延迟或掉线导致等待时间增加的问题。同时需要先将模型使用掩码加密后再上传,不仅保护了客户端的隐私,还减小了传统隐私保护联邦学习方案中由于同态加密技术带来的巨大计算量和通信开销。
科研之友
微信
新浪微博
Facebook
分享链接
