基于茫然传输协议的FATE联邦迁移学习方案

摘要：

利用不同来源的数据参与机器学习模型的训练,能够使得训练出的模型的预测结果更加准确,然而大量的数据收集则会产生隐私方面的相关问题.FAT E联邦迁移学习是一种基于同态加密的联邦学习框架,但FAT E联邦迁移学习中同态加密计算复杂,收敛速度相对较慢,导致模型训练效率低.提出一种基于茫然传输协议的安全矩阵计算方案.通过实现矩阵加法和乘法及数乘的安全计算,完成参与两方交互下具有数据隐私保护特性机器学习模型的损失函数计算与梯度更新,并以此构造更高效的FAT E联邦迁移学习算法方案.在此基础上,通过茫然传输扩展协议和通信批量处理,减少需要调用的茫然传输协议的数量,缩减通信轮数,从而降低茫然传输协议带来的通信消耗.性能分析结果表明,该方案的安全模型满足安全性和隐私保护性,并且具有一定的可扩展性,在局域网环境下,相比基于同态加密的方案,模型收敛的平均时间缩短约25％,并且随着数据样本特征维度的增加,该方案仍能保持稳定的收敛速度.

关键词：联邦迁移学习、安全多方计算、秘密共享、茫然传输协议、同态加密

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：上海市基础研究重点项目21JC1400600

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：24-30