计算机工程

作者：周全兴, 李秋贤, 丁红发, 樊玫玫

单位：1. 凯里学院 大数据工程学院, 贵州凯里 556011;2. 贵州财经大学 信息学院, 贵阳 550025;3. 贵州大学 数学与统计学院, 贵阳 550025

关键词：联邦学习,博弈论,帕累托最优,隐私保护,Micali-Rabin随机向量表示技术

基金：国家自然科学基金（61772008，62002080）；贵州省教育厅自然科学研究项目（黔教合KY字［2020179］，［2020180］，［2021140］）；凯里学院做特市（州）高校专项计划项目“基于区块链的黔东南从江香猪溯源体系博弈演化技术研究”；贵州省科技重大专项计划（20183001）；贵州财经大学校级科研课题（2020XYB02）。

随着网络信息技术与互联网的发展，数据的隐私与安全问题亟待解决，联邦学习作为一种新型的分布式隐私保护机器学习技术应运而生。针对在联邦学习过程中存在个人数据信息泄露的隐私安全问题，结合Micali-Rabin随机向量表示技术，基于博弈论提出一种具有隐私保护的高效联邦学习方案。根据博弈论激励机制，构建联邦学习博弈模型，通过设置合适的效用函数和激励机制保证参与者的合理行为偏好，同时结合Micali-Rabin随机向量表示技术设计高效联邦学习方案。基于Pedersen承诺机制实现高效联邦学习的隐私保护，以保证联邦学习各参与者的利益和数据隐私，并且全局达到帕累托最优状态。在数字分类数据集上的实验结果表明，该方案不仅提高联邦学习的通信效率，而且在通信开销和数据精确度之间实现平衡。

来源：2022年第8期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第8期