文献类型：期刊文章

作　　者：周全兴[1] 李秋贤[1] 丁红发[2] 樊玫玫[3]

ZHOU Quanxing;LI Qiuxian;DING Hongfa;FAN Meimei(School of Big Data Engineering,Kaili University,Kaili,Guizhou 556011,China;School of Information,Guizhou University of Finance and Economics,Guiyang 550025,China;School of Mathematics and Statistics,Guizhou University,Guiyang 550025,China)

机构地区：[1]凯里学院大数据工程学院,贵州凯里556011 [2]贵州财经大学信息学院,贵阳550025 [3]贵州大学数学与统计学院,贵阳550025

出　　处：《计算机工程》

基　　金：国家自然科学基金(61772008,62002080);贵州省教育厅自然科学研究项目(黔教合KY字[2020179],[2020180],[2021140]);凯里学院做特市(州)高校专项计划项目“基于区块链的黔东南从江香猪溯源体系博弈演化技术研究”;贵州省科技重大专项计划(20183001);贵州财经大学校级科研课题(2020XYB02)。

年　　份：2022

卷　　号：48

期　　号：8

起止页码：144-151

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：随着网络信息技术与互联网的发展,数据的隐私与安全问题亟待解决,联邦学习作为一种新型的分布式隐私保护机器学习技术应运而生。针对在联邦学习过程中存在个人数据信息泄露的隐私安全问题,结合Micali-Rabin随机向量表示技术,基于博弈论提出一种具有隐私保护的高效联邦学习方案。根据博弈论激励机制,构建联邦学习博弈模型,通过设置合适的效用函数和激励机制保证参与者的合理行为偏好,同时结合Micali-Rabin随机向量表示技术设计高效联邦学习方案。基于Pedersen承诺机制实现高效联邦学习的隐私保护,以保证联邦学习各参与者的利益和数据隐私,并且全局达到帕累托最优状态。在数字分类数据集上的实验结果表明,该方案不仅提高联邦学习的通信效率,而且在通信开销和数据精确度之间实现平衡。

关 键 词：联邦学习  博弈论 帕累托最优 隐私保护 Micali-Rabin随机向量表示技术  

分 类 号：TP309]