论文《Privacy-Preserving Federated Deep Learning with Irregular Users》实验部分

5.1 Functionality

5.2 Accuracy

5.2.1 Effect of iteration times with different proportions of irregular data

我们首先讨论了加密方法中迭代次数的影响。如第3.3节和第4.3节所述，我们知道在PPFDLbscand PPFDLimd的初始化过程中，xm的值∗在第一次迭代中使用的每个梯度m都需要初始化。Works[25]给出了每个梯度xm∗可以初始化为第m个梯度上所有用户总和的平均值。然而，由于每个用户持有的数据质量不同，这种方法存在错误。幸运的是，工作[25]表明，两台服务器之间的多次迭代可以降低错误率。

另一方面，系统中不规则数据的比例也会影响模型的准确性。直观地说，系统中拥有高质量数据的用户越多，模型的准确性就越好。

为了观察PPFDL在这些变量下的准确性，我们进行了实验来记录数据。

图7显示了不同迭代次数下的精度比较，其中OFL[28]是在明文环境中执行学习的原始模型。（OFL和PPFDL的比较）

（结果）我们可以观察到，只要迭代次数超过某个阈值（如3），PPFDL的精度就明显高于OFL。此外，当P的比例达到25%时，OFL的准确度下降很快（都到70以下了），而PPFDL的准确度变化很小。

（原因）这主要是由于我们的MethIU的优越性，它通过将高可靠性分配给持有高质量数据的用户，保证了高质量用户贡献的聚合结果。

5.2.2 不同比例的不规则数据对N的影响

接下来，我们分析参与培训的用户数量N的影响。

如前所述，Zhao等人[14]提出了SecProbe，这是第一个与不规则参与者合作的隐私保护合作深度学习，它利用基于隐私的差异技术来干扰目标DNN的目标函数，并声称SecProbe可以确保准确性和安全性之间的良好平衡。

因此，为了使实验结果更具说服力，我们还进行了与SecProbe的精度比较实验。

（实验设置）

实现SecProbe的实验配置如下ÿ