计算机工程与科学

作者：罗长银, 陈学斌, 刘洋, 张淑芬,

单位：（1.华北理工大学理学院,河北 唐山 063210；2.河北省数据科学与应用重点实验室,河北 唐山063210；3.唐山市数据科学重点实验室,河北 唐山 063210）

关键词：联邦学习,集成算法,隐私保护,联邦集成算法,

基金：国家自然科学基金（61572170,61170254）;唐山市科技项目(18120203A)

联邦学习是隐私保护领域关注的热点内容，存在难以集中本地模型参数与因梯度更新造成数据泄露的问题。提出了一种联邦集成算法，使用256 B的密钥将不同类型的初始化模型传输至各数据源并训练，使用不同的集成算法来整合本地模型参数，使数据与模型的安全性得到很大提升。仿真结果表明，对于中小数据集而言，使用Adaboost集成算法得到的模型准确率达到92.505%，标准差约为8.6×10-8，对于大数据集而言，采用stacking集成算法得到的模型的准确率达到92.495%，标准差约为8.85×10-8，与传统整合多方数据集中训练模型的方法相比，在保证准确率的同时兼顾了数据与模型的安全性。

来源：2021年第8期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2021年第8期