支持数据隐私保护的联邦深度神经网络模型研究
文献类型：期刊论文
| 作者 | 张泽辉; 富瑶; 高铁杠 |
| 刊名 | 自动化学报
 |
| 出版日期 | 2022 |
| 卷号 | 48期号:5页码:1273-1284 |
| 关键词 | 联邦学习 深度学习 数据隐私 同态加密 神经网络 |
| ISSN号 | 0254-4156 |
| DOI | 10.16383/j.aas.c200236 |
| 英文摘要 | 近些年,人工智能技术已经在图像分类、目标检测、语义分割、智能控制以及故障诊断等领域得到广泛应用,然而某些行业(例如医疗行业)由于数据隐私的原因,多个研究机构或组织难以共享数据训练联邦学习模型.因此,将同态加密(Homomorphic encryption, HE)算法技术引入到联邦学习中,提出一种支持数据隐私保护的联邦深度神经网络模型(Privacy-preserving federated deep neural network, PFDNN).该模型通过对其权重参数的同态加密保证了数据的隐私性,并极大地减少了训练过程中的加解密计算量.通过理论分析与实验验证,所提出的联邦深度神经网络模型具有较好的安全性,并且能够保证较高的精度. |
| 源URL | [http://ir.ia.ac.cn/handle/173211/56357]  |
| 专题 | 自动化研究所_学术期刊_自动化学报 |
| 推荐引用方式 GB/T 7714 | 张泽辉,富瑶,高铁杠. 支持数据隐私保护的联邦深度神经网络模型研究[J]. 自动化学报,2022,48(5):1273-1284. |
| APA | 张泽辉,富瑶,&高铁杠.(2022).支持数据隐私保护的联邦深度神经网络模型研究.自动化学报,48(5),1273-1284. |
| MLA | 张泽辉,et al."支持数据隐私保护的联邦深度神经网络模型研究".自动化学报 48.5(2022):1273-1284. |
入库方式： OAI收割
来源：自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。