一种基于差分隐私和量化的联邦学习全局模型训练方法,其步骤为:中央服务器下发预训练的联邦学习全局模型,生成每个本地用户的本地模型梯度,对每个本地用户的本地模型梯度依次进行添加噪声,阈值量化,压缩量化,将压缩量化后的本地模型梯度上传至中央服务器,中央服务器对上传的本地模型梯度进行加权聚合并更新全局模型后下发...
某个数据比较重要,所以要同态;某一块数据相对不重要,或者是计算量过大,所以用差分隐私。
学习方法。该方法包括:客户端接收当前服务器下发的全局模型,在本地数据上进行模型训练,获得本地模型;客户端根据隐私预算向模型更新信息中添加不同程度的高斯噪声,并发送给服务器;服务器根据各个客户端的聚合权重来加权聚合所有模型更新信息,将聚合完成后得到的全局模型重新下发给客户端;服务器每经过设定数量轮次的全局...
某个数据比较重要,所以要同态;某一块数据相对不重要,或者是计算量过大,所以用差分隐私。
差分隐私和同态加密属于两个不同的流派,隐私的定义也是完全不同。同态加密完全保护了原始数据,除非攻击...