差分隐私(二)- 瑞丽熵和Renyi Divergence 卡兵 格物致知 来自专栏 · 差分隐私合集 188 人赞同了该文章 熵-Entropy可以用来描述系统多样性,不确定性和随机性。而Renyi Entropy 瑞丽熵是熵的推广,总之就是用来衡量系统不确定性的指标。 1 - Renyi Entropy 熵我们都遇到过很多种了,比如香农熵和Hartley熵之
摘要 本发明公开了一种基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法,设有中央服务器和若干个客户端,对若干个客户端的本地模型进行N轮训练并进行添加噪声后上传至中央服务器,对中央服务器的全局模型进行迭代训练。本发明不仅可以有效防止攻击者从客户端提交的训练模型参数中逆向腿短得到客户端参与者信息,同时还可...
本发明公开了一种基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法,设有中央服务器和若干个客户端,对若干个客户端的本地模型进行N轮训练并进行添加噪声后上传至中央服务器,对中央服务器的全局模型进行迭代训练。本发明不仅可以有效防止攻击者从客户端提交的训练模型参数中逆向腿短得到客户端参与者信息,同时还可以解决...
所属专辑:动手学差分隐私|精品|(美)约瑟夫·P.尼尔(Joseph P.Near),(美)希肯|当代文学 6元开会员,免费听 购买| 0.20喜点/集 猜你喜欢 83 最大限度使用自己的钱 by:蜜阅zy 31 最大的愿望 by:壹字唱片 1056 编剧我最大 by:听友7412414 2万
1.本发明涉及数据安全领域,尤其是指基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法。 背景技术: 2.联邦学习最早由mcmahan等人在2016年提出:“我们之所以将我们的方法称为联邦学习,因为学习任务是通过由中央服务器协调的参与设备的松散联邦来解决的”。在联邦学习中,参与者通过接收当前最新的全局模型并在本地利用自...
1.基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法,其特征是,设有中央服务器和若干个客户端,对若干个客户端的本地模型进行N轮训练并进行添加噪声后上传至中央服务器,对中央服务器的全局模型进行迭代训练,对于单个客户端的本地模型的某一轮训练,具体包括以下步骤: 步骤1,从中央服务器下载全局模型参数作为本地模型...