微比恩 > 信息聚合 > FedCG:利用条件生成对抗网络在联邦学习中保护隐私并保持模型性能

FedCG:利用条件生成对抗网络在联邦学习中保护隐私并保持模型性能

2022-09-16 09:49:00来源: 美通社

深圳2022年9月15日 /美通社/ -- 联邦学习(Federated Learning)旨在通过让客户端在不分享其私人数据,保护数据隐私的前提下协作建立机器学习模型。最近的一些研究证明了在联邦学习过程中交换的信息会受到基于梯度的隐私攻击,因此,各种隐私保护方法已被采用来阻止此类攻击,保护数据隐私。然而,这些防御性方法要么引入数级更多的计算和通信开销(例如,同态加密),要么在预测准确性方面导致模型性能大幅下降(例如,使用差分隐私)。微众银行AI团队和中山大学合作发表的论文《FedCG:利用条件生成对抗网络在联邦学习中保护隐私并保持模型性能》提出了"FedCG",将条件生成对抗网络与分割学习相结合,实现对数据的有效隐私保护,同时保持有竞争力的模型性能。该论文已被国际人工智能顶级学术会议IJCAI 2022主会收录。 论文信息 作者:Yuezhou Wu, Yan Kang, Jiahuan Luo, Yu

关注公众号
标签: 网络