基于差分隐私保护知识迁移的联邦学习方法

  • 打印
  • 收藏
收藏成功


打开文本图片集

摘 要:联邦学习解决了机器学习的数据孤岛问题,然而,各方的数据集在数据样本空间和特征空间上可能存在较大差异,导致联邦模型的预测精度下降。针对上述问题,提出了一种基于差分隐私保护知识迁移的联邦学习方法。该方法使用边界扩展局部敏感散列计算各方实例之间的相似度,根据相似度对实例进行加权训练,实现基于实例的联邦迁移学习。(剩余12747字)

目录
monitor