基于全同态加密的联邦学习隐私保护技术研究

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘  要：随着数据隐私保护需求的不断增加，联邦学习作为一种分布式机器学习方法，能够在不集中数据的情况下进行模型训练。而联邦学习仍面临参与方数据在模型训练过程中泄露的风险。为解决这一问题，文章提出了一种基于全同态加密的联邦学习隐私保护技术。通过在联邦学习的模型参数聚合阶段引入全同态加密技术，使得参数计算和更新均在加密态下完成，从而确保了参与方数据的隐私安全。（剩余9868字）

试读结束

目录
monitor