基于相关性的Swarm联邦降维方法
文献类型：期刊论文
| 作者 | 李文平; 杜选 |
| 刊名 | 自动化学报
 |
| 出版日期 | 2024 |
| 卷号 | 50期号:9页码:1866-1876 |
| 关键词 | 隐私保护 Swarm学习 联邦学习 典型相关分析 |
| ISSN号 | 0254-4156 |
| DOI | 10.16383/j.aas.c220690 |
| 英文摘要 | 联邦学习(Federated learning, FL)在解决人工智能(Artificial intelligence, AI)面临的隐私泄露和数据孤岛问题方面具有显著优势. 针对联邦学习的已有研究未考虑联邦数据之间的关联性和高维性问题, 提出一种基于联邦数据相关性的去中心化联邦降维方法. 该方法基于Swarm学习(Swarm learning, SL)思想, 通过分离耦合特征, 构建典型相关分析(Canonical correlation analysis, CCA)的Swarm联邦框架, 以提取Swarm节点的低维关联特征. 为保护协作参数的隐私安全, 还构建一种随机扰乱策略来隐藏Swarm特征隐私. 在真实数据集上的实验验证了所提方法的有效性. |
| 源URL | [http://ir.ia.ac.cn/handle/173211/59445]  |
| 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 | 李文平,杜选. 基于相关性的Swarm联邦降维方法[J]. 自动化学报,2024,50(9):1866-1876. |
| APA | 李文平,&杜选.(2024).基于相关性的Swarm联邦降维方法.自动化学报,50(9),1866-1876. |
| MLA | 李文平,et al."基于相关性的Swarm联邦降维方法".自动化学报 50.9(2024):1866-1876. |
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。