基于博弈论优化的高效联邦学习方案

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

所属期刊栏目：48

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;贵州省教育厅自然科学研究项目;贵州省教育厅自然科学研究项目;贵州省教育厅自然科学研究项目;凯里学院做特市州高校专项计划项目;贵州省科技重大专项计划;贵州财经大学校级科研课题

在线出版日期：2022-09-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：144-151,159