电讯技术

作者：雷靖鹏,任诚

单位：(1.西南石油大学 电气信息学院，成都 610500;2电子科技大学 信息与通信工程学院，成都 611731)

关键词：差分隐私保护；数据泄露；联邦学习；扩散式传播；

传统的联邦学习(Federated Learning,FL)差分隐私（Differential Privacy,DP）保护机制在一定程度上抵御了差分攻击，防止用户数据的泄露问题，但是引入的噪声扰动在一定程度上又影响了原本数据，导致在服务器聚合时与原本数据产生影响较大的偏差，严重影响了全局模型的准确率和收敛性。为了解决这一问题，提出了一种基于扩散式联邦学习差分隐私保护（Diffusive Differential Privacy Federated Learning,DDPFL）方法，通过在服务器端聚合之前更加精确地对噪声进行拟合，还原精度更高的数据样本，降低了对原模型的影响。在数据分布为IID和Non-IID联邦学习实际场景下验证了该方法的有效性。在数据分布为Non-IID场景下，所提方法与联邦学习原始差分隐私保护方法相比，准确率在其基础上提高了1.7%~4.6%。

来源：2024年第11期

《电讯技术》期刊编辑部

查看电讯技术杂志2024年第11期