《深度学习实战》第10集：联邦学习与隐私保护

已于 2025-03-04 20:27:08 修改
阅读量1k 收藏 11
点赞数 47
分类专栏： 深度学习实战 文章标签： 深度学习 人工智能
于 2025-03-04 10:49:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yweng18/article/details/146008517
版权

第10集：联邦学习与隐私保护

2025年3月4日更新了代码，补充了实例程序运行截图 和 如何提高模型准确率的方法
系统梳理 集集精彩 代码验证 保证实战
随着数据隐私问题日益受到关注，联邦学习（Federated Learning） 作为一种分布式机器学习方法，正在成为解决隐私保护与模型训练矛盾的关键技术。本文将带你深入了解联邦学习的基本原理、核心技术，并通过实战项目展示其应用。

在这里插入图片描述

一、知识点：联邦学习的核心概念

1. 联邦学习的基本原理

联邦学习是一种分布式机器学习框架，其核心思想是**“数据不动，模型动”**。具体来说，联邦学习允许多个客户端（如手机、IoT设备等）在本地训练模型，然后将模型更新发送到中央服务器进行聚合，而无需共享原始数据。

联邦学习的主要特点：
  • 隐私保护：数据始终保存在本地，避免了敏感信息的泄露。
  • 分布式计算：充分利用边缘设备的计算能力，减少对中心服务器的依赖。
  • 异构性支持：能够处理不同设备上的非独立同分布（Non-IID）数据。
联邦学习的典型架构：

在这里插入图片描述

2. 差分隐私与同态加密

为了进一步增强隐私保护，联邦学习通常结合以下两种技术：

  • 差分隐私（Differential Privacy）
    差分隐私通过在模型更新中添加噪声，确保单个数据点对最终结果的影响被限制在一定范围内，从而防止攻击者通过模型反推出原始数据。

  • 同态加密（Homomorphic Encryption）
    同态加密允许在加密数据上直接进行计算，而无需解密。这种方法可以确保模型更新在传输过程中始终保持加密状态，进一步提升安全性。

二、实战项目：使用 TensorFlow Federated 实现简单的联邦学习实验

1. 环境准备 python3.8.8 注意一定要python 3.8系列

安装虚拟环境后把pip升级到最新版本，否则会失败

首先，安装 TensorFlow Federated（TFF）库：

pip install tensorflow-federated
2. 数据准备(以下代码可以在jupyter notebook分段运行，也可以整合在一个代码文件运行)

我们使用 TensorFlow 提供的模拟数据集 tff.simulation.datasets.emnist，这是一个手写数字识别任务的数据集。

import tensorflow as tf
import tensorflow_federated as tff
import collections

# 加载 EMNIST 数据集
emnist_train, emnist_test = tff.simulation.datasets.emnist.load_data()

# 查看数据集结构
print(f"训练集客户端数量: {len(emnist_train.client_ids)}")
print(f"测试集客户端数量: {len(emnist_test.client_ids)}")
3. 模型定义

定义一个简单的卷积神经网络（CNN）作为全局模型：

def create_keras_model():
    return tf.keras.models.Sequential([
        tf.keras.layers.InputLayer(input_shape=(28, 28, 1)),
        tf.keras.layers.Conv2D(32, kernel_size=(3, 3), activation='relu'),
        tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(128, activation='relu'),
        tf.keras.layers.Dense(10, activation='softmax')
    ])

# 将 Keras 模型转换为 TFF 模型
def model_fn():
    # 获取第一个客户端的数据集
    dataset = emnist_train.create_tf_dataset_for_client(emnist_train.client_ids[0])
    
    # 预处理数据集，添加通道维度
    def preprocess(dataset):
        def batch_format_fn(element):
            return collections.OrderedDict([
                ('x', tf.expand_dims(element['pixels'], axis=-1)),
                ('y', element['label'])
            ])
        
        return dataset.map(batch_format_fn).batch(20)  # 假设批量大小为20

    preprocessed_dataset = preprocess(dataset)
    
    # 检查数据集的 element_spec
    element_spec = preprocessed_dataset.element_spec
    
    return tff.learning.from_keras_model(
        create_keras_model(),
        input_spec=element_spec,  # 使用包含 'x' 和 'y' 的 input_spec
        loss=tf.keras.losses.SparseCategoricalCrossentropy(),
        metrics=[tf.keras.metrics.SparseCategoricalAccuracy()]
    )
4. 联邦学习过程

使用 TFF 的联邦平均算法（FedAvg）进行分布式训练：

# 定义预处理函数
def preprocess(dataset):
    def batch_format_fn(element):
        return collections.OrderedDict([
            ('x', tf.expand_dims(element['pixels'], axis=-1)),
            ('y', element['label'])
        ])
    
    return dataset.map(batch_format_fn).batch(20)  # 假设批量大小为20

# 定义联邦平均过程
iterative_process = tff.learning.build_federated_averaging_process(
    model_fn,
    client_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=0.02),
    server_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=1.0)
)

# 初始化全局模型
state = iterative_process.initialize()

# 进行多轮联邦训练
NUM_ROUNDS = 10
for round_num in range(1, NUM_ROUNDS + 1):
    # 随机选择部分客户端参与训练
    sampled_clients = emnist_train.client_ids[:5]
    # 对每个客户端的数据进行预处理
    federated_train_data = [
        preprocess(emnist_train.create_tf_dataset_for_client(client)) for client in sampled_clients
    ]
    
    # 执行一轮训练
    result = iterative_process.next(state, federated_train_data)
    state = result[0]  # 获取第一个元素作为 state
    
    # 输出训练结果
    metrics = result[1]  # 获取第二个元素作为 metrics
    
    # 打印指标结构（仅在第一轮执行，帮助调试）
    if round_num == 1:
        print("指标结构:", metrics.keys())
    
    # 从 'train' 键下获取指标
    train_metrics = metrics['train']
    print(f"Round {round_num}, Loss: {train_metrics['loss']:.4f}, Accuracy: {train_metrics['sparse_categorical_accuracy']:.4f}")
5. 测试模型性能

在测试集上评估全局模型的性能：

# 使用测试集评估模型
evaluation = tff.learning.build_federated_evaluation(model_fn)

# 对测试数据进行预处理，与训练数据使用相同的预处理函数
test_data = [
    preprocess(emnist_test.create_tf_dataset_for_client(client)) 
    for client in emnist_test.client_ids[:5]
]

# 评估模型
test_metrics = evaluation(state.model, test_data)

print(f"测试集准确率: {test_metrics['sparse_categorical_accuracy']:.4f}")

在联邦学习的实战项目中，服务器和客户端的角色分工非常重要。以下是基于 TensorFlow Federated (TFF) 的联邦学习实验中，服务器和客户端的具体职责、代码运行逻辑以及数据流动的详细解释。

系统运行输出：

2025-03-04 18:27:03.432850: W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load dynamic library 'cudart64_101.dll'; dlerror: cudart64_101.dll not found
2025-03-04 18:27:03.433171: I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine.
训练集客户端数量: 3383
测试集客户端数量: 3383
2025-03-04 18:27:13.277749: I tensorflow/stream_executor/platform/default/dso_loader.cc:48] Successfully opened dynamic library nvcuda.dll
2025-03-04 18:27:13.311964: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1716] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: Quadro RTX 5000 computeCapability: 7.5
coreClock: 1.545GHz coreCount: 48 deviceMemorySize: 16.00GiB deviceMemoryBandwidth: 417.29GiB/s
2025-03-04 18:27:13.313521: W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load dynamic library 'cudart64_101.dll'; dlerror: cudart64_101.dll not found
2025-03-04 18:27:13.314930: W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load dynamic library 'cublas64_10.dll'; dlerror: cublas64_10.dll not found
2025-03-04 18:27:13.316281: W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load dynamic library 'cufft64_10.dll'; dlerror: cufft64_10.dll not found
2025-03-04 18:27:13.317999: I tensorflow/stream_executor/platform/default/dso_loader.cc:48] Successfully opened dynamic library curand64_10.dll
2025-03-04 18:27:13.319563: W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load dynamic library 'cusolver64_10.dll'; dlerror: cusolver64_10.dll not found
2025-03-04 18:27:13.321041: W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load dynamic library 'cusparse64_10.dll'; dlerror: cusparse64_10.dll not found
2025-03-04 18:27:13.322479: W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load dynamic library 'cudnn64_7.dll'; dlerror: cudnn64_7.dll not found
2025-03-04 18:27:13.322724: W tensorflow/core/common_runtime/gpu/gpu_device.cc:1753] Cannot dlopen some GPU libraries. Please make sure the missing libraries mentioned above are installed properly if you would like to use GPU. Follow the guide at https://www.tensorflow.org/install/gpu for how to download and setup the required libraries for your platform.
Skipping registering GPU devices...
2025-03-04 18:27:16.089791: I tensorflow/core/platform/cpu_feature_guard.cc:142] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN)to use the following CPU instructions in performance-critical operations:  AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2025-03-04 18:27:16.098291: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x19c9bf209f0 initialized for platform Host (this does not guarantee that XLA will be used). Devices:
2025-03-04 18:27:16.098611: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): Host, Default Version
2025-03-04 18:27:16.099028: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1257] Device interconnect StreamExecutor with strength 1 edge matrix:
2025-03-04 18:27:16.099320: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1263]
指标结构: odict_keys(['broadcast', 'aggregation', 'train'])
Round 1, Loss: 2.3634, Accuracy: 0.0917
Round 2, Loss: 2.3296, Accuracy: 0.0917
Round 3, Loss: 2.3195, Accuracy: 0.0979
Round 4, Loss: 2.3126, Accuracy: 0.1104
Round 5, Loss: 2.3051, Accuracy: 0.1187
Round 6, Loss: 2.2987, Accuracy: 0.1500
Round 7, Loss: 2.2941, Accuracy: 0.1458
Round 8, Loss: 2.2898, Accuracy: 0.1292
Round 9, Loss: 2.2850, Accuracy: 0.1417
Round 10, Loss: 2.2797, Accuracy: 0.1521
测试集准确率: 0.1404
6. 实战项目补充说明

1. 联邦学习的整体架构
联邦学习的核心思想是“数据不动，模型动”。具体来说：

  • 客户端：每个客户端在本地拥有自己的数据，并使用这些数据训练模型。
  • 服务器：负责聚合来自多个客户端的模型更新，并生成全局模型。

整个流程可以分为以下几个阶段：

  1. 初始化：服务器初始化一个全局模型。
  2. 分发模型：服务器将全局模型发送给参与训练的客户端。
  3. 本地训练：客户端在本地数据上训练模型，并生成模型更新（如梯度或参数变化）。
  4. 上传更新：客户端将模型更新发送回服务器。
  5. 聚合更新：服务器对所有客户端的更新进行聚合，生成新的全局模型。
  6. 重复迭代：重复上述步骤，直到模型收敛。

2. 服务器端的代码与职责

职责

  • 初始化全局模型。
  • 接收客户端的模型更新。
  • 使用联邦平均算法（Federated Averaging, FedAvg）聚合客户端的模型更新。
  • 分发更新后的全局模型给客户端。

代码实现
以下是服务器端的主要代码逻辑：

# 定义联邦平均过程
iterative_process = tff.learning.algorithms.build_weighted_fed_avg(
    model_fn,  # 模型定义函数
    client_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=0.02),  # 客户端优化器
    server_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=1.0)  # 服务器优化器
)

# 初始化全局模型
state = iterative_process.initialize()

# 进行多轮联邦训练
NUM_ROUNDS = 10
for round_num in range(1, NUM_ROUNDS + 1):
    # 随机选择部分客户端参与训练
    sampled_clients = emnist_train.client_ids[:5]  # 假设选择前5个客户端
    federated_train_data = [
        emnist_train.create_tf_dataset_for_client(client) for client in sampled_clients
    ]
    
    # 执行一轮训练
    result = iterative_process.next(state, federated_train_data)
    state = result.state
    
    # 输出训练结果
    metrics = result.metrics['client_work']['train']
    print(f"Round {round_num}, Loss: {metrics['loss']:.4f}, Accuracy: {metrics['sparse_categorical_accuracy']:.4f}")

解释

  • model_fn 是一个函数，用于定义全局模型结构。
  • build_weighted_fed_avg 是 TFF 提供的联邦平均算法实现，用于在服务器端聚合客户端的模型更新。
  • iterative_process.next(state, federated_train_data) 是每轮训练的核心操作，服务器接收客户端的训练数据并更新全局模型。

3. 客户端的代码与职责

职责

  • 接收服务器分发的全局模型。
  • 使用本地数据对模型进行训练。
  • 将本地训练得到的模型更新（如梯度或参数变化）发送回服务器。

代码实现
客户端的训练逻辑由 TFF 自动封装，无需显式编写客户端代码。以下是一个简化的说明：

def model_fn():
    keras_model = create_keras_model()
    return tff.learning.from_keras_model(
        keras_model,
        input_spec=emnist_train.create_tf_dataset_for_client(emnist_train.client_ids[0]).element_spec,
        loss=tf.keras.losses.SparseCategoricalCrossentropy(),
        metrics=[tf.keras.metrics.SparseCategoricalAccuracy()]
    )

解释

  • create_keras_model() 定义了客户端使用的模型结构。
  • tff.learning.from_keras_model() 将 Keras 模型转换为 TFF 兼容的格式。
  • 客户端的训练数据通过 emnist_train.create_tf_dataset_for_client(client) 获取，确保数据始终保留在本地。

4. 数据流动与角色分工

服务器端

  • 输入：客户端上传的模型更新（如梯度或参数变化）。

  • 输出：聚合后的全局模型。

  • 数据流动：

    • 服务器将全局模型分发给客户端。
    • 服务器接收客户端上传的模型更新，并使用联邦平均算法进行聚合。

    客户端

  • 输入：服务器分发的全局模型。

  • 输出：本地训练生成的模型更新。

  • 数据流动：

    • 客户端从服务器接收全局模型。
    • 客户端使用本地数据训练模型，并生成模型更新。
    • 客户端将模型更新上传到服务器。

5. 示例中的数据分布

在示例中，我们使用了 TensorFlow 提供的 EMNIST 数据集，该数据集被划分为多个客户端的数据子集。每个客户端的数据子集是独立的，且可能具有非独立同分布（Non-IID）特性。

数据加载

# 加载 EMNIST 数据集
emnist_train, emnist_test = tff.simulation.datasets.emnist.load_data()

# 查看数据集结构
print(f"训练集客户端数量: {len(emnist_train.client_ids)}")
print(f"测试集客户端数量: {len(emnist_test.client_ids)}")

数据分布特点

  • 每个客户端的数据子集通过 emnist_train.create_tf_dataset_for_client(client) 获取。
  • 不同客户端的数据可能是 Non-IID 的，例如某些客户端主要包含数字图像，而另一些客户端主要包含字母图像。

6. 项目小结

  • 服务器端：负责初始化全局模型、分发模型、接收客户端更新并聚合更新。
  • 客户端：负责使用本地数据训练模型，并将模型更新上传到服务器。
  • 数据流动：模型参数在服务器和客户端之间传递，而原始数据始终保留在客户端本地。
通过这种分工，联邦学习实现了数据隐私保护的同时，还能利用分布式计算资源完成模型训练。

三、图示：联邦学习架构与训练过程

1. 联邦学习架构图

以下是联邦学习的典型架构图：

+-------------------+       +-------------------+
|   客户端1         |       |   客户端2         |
| 数据保持本地      |       | 数据保持本地      |
+-------------------+       +-------------------+
          ↓                         ↓
    +------------+           +------------+
    | 模型训练   |           | 模型训练   |
    +------------+           +------------+
          ↓                         ↓
    +---------------------------------------------+
    | 中央服务器：模型参数聚合                   |
    +---------------------------------------------+
          ↓
    +------------+
    | 全局模型更新 |
    +------------+
2. 训练过程示意图

以下是联邦学习的训练过程示意图：

初始模型 → 客户端1训练 → 客户端2训练 → ... → 参数上传 → 中央聚合 → 更新模型 → 下一轮训练
3. 如何提高模型准确率

提高联邦学习模型准确率的方法

目前模型的准确率确实较低（测试集准确率仅为14.04%），以下是几种可以提高准确率的方法：

1. 增加训练轮数

# 增加训练轮数
NUM_ROUNDS = 50  # 从10轮增加到50轮

2. 调整模型架构

def create_keras_model():
    return tf.keras.models.Sequential([
        tf.keras.layers.InputLayer(input_shape=(28, 28, 1)),
        tf.keras.layers.Conv2D(32, kernel_size=(3, 3), activation='relu'),
        tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
        tf.keras.layers.Conv2D(64, kernel_size=(3, 3), activation='relu'),  # 添加更多卷积层
        tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
        tf.keras.layers.Dropout(0.25),  # 添加Dropout防止过拟合
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(256, activation='relu'),  # 增加神经元数量
        tf.keras.layers.Dropout(0.5),  # 添加Dropout
        tf.keras.layers.Dense(10, activation='softmax')
    ])

3. 调整学习率和优化器

# 定义联邦平均过程
iterative_process = tff.learning.build_federated_averaging_process(
    model_fn,
    client_optimizer_fn=lambda: tf.keras.optimizers.Adam(learning_rate=0.001),  # 使用Adam优化器
    server_optimizer_fn=lambda: tf.keras.optimizers.Adam(learning_rate=0.1)  # 使用Adam优化器
)

4. 增加每轮参与训练的客户端数量

# 增加参与训练的客户端数量
sampled_clients = emnist_train.client_ids[:20]  # 从5个增加到20个

5. 增加每个客户端的批量大小

def preprocess(dataset):
    def batch_format_fn(element):
        return collections.OrderedDict([
            ('x', tf.expand_dims(element['pixels'], axis=-1)),
            ('y', element['label'])
        ])
    
    return dataset.map(batch_format_fn).batch(64)  # 从20增加到64

6. 添加数据增强

def preprocess(dataset):
    def batch_format_fn(element):
        # 添加数据增强
        image = tf.expand_dims(element['pixels'], axis=-1)
        image = tf.image.random_flip_left_right(image)  # 随机水平翻转
        image = tf.image.random_brightness(image, 0.1)  # 随机亮度调整
        
        return collections.OrderedDict([
            ('x', image),
            ('y', element['label'])
        ])
    
    return dataset.map(batch_format_fn).batch(32)

7. 使用预训练模型或迁移学习

如果可能，考虑使用在大型数据集上预训练的模型，然后在联邦学习环境中进行微调。

8. 实施更先进的联邦学习算法

考虑使用FedProx、FedAvgM等更先进的联邦学习算法，这些算法在处理非IID数据时表现更好。

建议从增加训练轮数和调整模型架构开始尝试，这些通常是提高准确率最直接的方法。

四、前沿关联：大模型在隐私保护方面的挑战与解决方案

1. 挑战
  • 数据隐私：大模型需要海量数据进行训练，但这些数据可能包含敏感信息。
  • 模型反推攻击：攻击者可以通过模型输出反推出训练数据的特征。
  • 合规性要求：如 GDPR 和 CCPA 等法规对数据隐私提出了严格要求。
2. 解决方案
  • 联邦学习：通过分布式训练保护数据隐私。
  • 差分隐私：在模型更新中引入噪声，降低反推风险。
  • 同态加密：确保数据和模型参数在传输和计算过程中始终加密。
  • 安全多方计算（Secure Multi-Party Computation, MPC）：允许多方协作完成计算任务，同时保护各自的数据隐私。

总结

联邦学习是一种兼顾隐私保护与模型性能的分布式机器学习方法，尤其适用于数据分散且隐私敏感的场景。通过 TensorFlow Federated，我们可以轻松实现联邦学习实验，并结合差分隐私和同态加密进一步提升隐私保护能力。未来，随着大模型的普及，联邦学习将在更多领域发挥重要作用。

如果你对联邦学习感兴趣，不妨尝试运行上述代码，亲身体验其魅力！

差分隐私与联邦学习安全原理与代码实战案例讲解
AI智能涌现深度研究
09-16 1577
差分隐私与联邦学习安全原理与代码实战案例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 随着大数据时代的到来，
AI模型的联邦学习：Lepton AI的隐私保护技术
AI天才研究院
11-06 877
引言 在当今大数据和人工智能的时代，数据隐私问题日益凸显。传统的集中式学习方法在数据隐私保护方面存在诸多不足，尤其是在涉及敏感数据的应用场景中。为了解决这一问题，联邦学习（Federated Learning）技术应运而生。本文将深入探讨联邦学习及其应用，特别是Lepton AI在隐私保护方面的技术。 首先，我们需要了解什么是联邦学习。联邦学习
综述：联邦学习隐私保护
橙子姑娘
06-14 3250
1.不同于传统的集中式机器学习, 联邦学习由于自身架构和训练方式的独特性, 面临着更多样的隐私攻击手段和更迫切隐私保护需求. 现有的联邦学习隐私保护算法在技术、平衡性、隐私保护成本和实际应用中还存在诸多不足之处. 明确这些问题和挑战, 才能展望联邦学习隐私保护未来发展的机遇和方向：...
隐私保护-联邦学习&同态
juli_eyre的博客
12-28 1968
联邦学习 隐私保护
联邦学习隐私保护相关知识总结
我的个人博客
08-16 4496
针对隐私保护的法律法规相继出台，数据孤岛现象已成为阻碍大数据和人工智能技术发展的主要瓶颈，联邦学习作为隐私计算的重要技术被广泛关注，主要对联邦学习相关知识进行了总结
READ-2305 联邦学习中的隐私保护技术
m0_51638853的博客
02-24 388
本文从隐私的角度对联邦学习中存在的问题进行了总结，之后可以按照文章的框架阅读联邦学习隐私性相关的内容。Note：隐私保护机制对比。
【第12章：深度学习与伦理、隐私—12.2 数据隐私保护与差分隐私技术的实现与应用】
最新发布
02-16 196
凌晨三点的数据中心，安全工程师老张盯着监控屏幕——某个医疗AI模型的训练日志显示，系统在保护隐私的同时竟然准确预测了罕见病的发病规律。这种看似魔法的技术背后，是一场持续了十五年的隐私保卫战。让我们掀开差分隐私的神秘面纱，看看这场革命如何重塑数据世界的游戏规则。2018年某电商平台的会员推荐系统泄露事件：传统防护手段的致命缺陷： 1.2 差分隐私的降维打击 如同给数据库安装"毛玻璃门"：核心思想可视化： ![两个相邻数据库的查询响应分布] （图示：显示两个数据库的响应概率分布高度重叠）严格定义： 对于任意相邻
基于联邦学习的隐私保护推荐框架
AI天才研究院
10-20 640
基于联邦学习的隐私保护推荐框架 关键词：联邦学习，隐私保护，推荐系统，协同过滤，矩阵分解，深度学习 摘要： 本文深入探讨了基于联邦学习的隐私保护推荐框架，首先介绍了联邦学习的基本概念、关键技术和隐私保护
联邦学习与隐私计算原理与代码实战案例讲解
AI天才研究院
08-16 801
1. 背景介绍 1.1 大数据时代下的隐私困境 近年来，随着互联网和移动设备的普及，全球数据量呈爆炸式增长。海量的数据蕴藏着巨大的商业价值，但同时也带来了前所未有的隐私安全挑战。传统的机器学习方法需要将数据集中存储，这使得用户数据面临着泄露、滥用等风险。
读懂联邦学习中的安全与隐私问题（全）
热门推荐
cryptocxf的博客
09-06 1万+
该篇是2021年发表在《Future Generation Computer Systems》期刊上的一篇综述论文，主要介绍了联邦学习中可能面对的所有安全与隐私威胁问题，比较详细和具体的进行了综述，是篇还不错的文章，建议读原文。以下是个人的读书笔记，结合自己的理解，只截取部分关键或重要的部分。 先附上原文下载链接：查阅or下载 （长文警告，本篇大约1.8w个字，谨慎阅读！） 文章目录预览《A survey on security and privacy of federated learning》联邦学习的
联邦学习安全与隐私保护综述
11-16
联邦学习是一种新型的分布式学习框架，它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。
联邦学习安全与隐私保护研究综述
08-08
数据孤岛以及模型训练和应用过程中的隐私泄露是当下阻碍人工智能技术发展的主要难题。联邦学习作为一种高效的隐私保护手段应运而生。联邦学习是一种分布式的机器学习方法，以在不直接获取数据源的基础上，通过参与方的本地训练与参数传递，训练出一个无损的学习模型。
联邦学习中安全与隐私实施概述
Galaxylx的博客
11-09 951
联邦学习（FL）基于“联邦”和“分而治之”理念构建机器学习模型。在这一过程中，众多参与者各自拥有不与模型管理者共享的数据，他们期望通过整合彼此数据来联合训练模型。具体而言，每个参与者利用其私有数据在本地训练模型，并将更新发送至模型管理者。模型管理者则通过平均更新的方式来更新全局模型，并且要求全局模型的精度应与集中式训练的模型精度相近，以此实现基于分布式数据集的模型构建，同时确保数据隐私得到有效保护。综上所述，当前安全防御解决方案虽能有效应对拜占庭和模型中毒等安全攻击，但仍面临诸多挑战。
探索联邦学习：保护隐私的机器学习新范式
码途探索
08-25 1154
在数字化浪潮的推动下，我们步入了一个前所未有的数据驱动时代。海量的数据不仅为科学研究、商业决策和日常生活带来了革命性的变化，同时也带来了前所未有的挑战。尤其是数据隐私和安全问题，已经成为全球关注的焦点。随着对个人隐私保护意识的增强，传统的集中式数据处理方式正逐渐暴露出其局限性。数据泄露、隐私侵犯和数据孤岛现象不仅阻碍了数据的高效利用，也对个人和企业的安全构成了威胁。在这样的背景下，联邦学习作为一种新兴的机器学习技术，以其独特的分布式架构和强大的隐私保护能力，为解决这些问题提供了全新的思路。
【联邦学习实战】
weixin_42472182的博客
05-22 824
联邦学习实战笔记，实现横向联邦学习。通过Feda算法对模型进行训练，使损失值降低，精确度提高。
联邦学习实战
Silence__2020的博客
02-14 358
使用PySyft进行一次简单的联邦学习模型训练
联邦学习实战-2-用FATE从零实现横向逻辑回归，ios大厂面试题
m0_61549781的博客
04-13 877
不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~给大家准备的学习资料包括但不限于：Python 环境、pycharm编辑器/永久激活/翻译插件python 零基础视频教程Python 界面开发实战教程Python 爬虫实战教程Python 数据分析实战教程python 游戏开发实战教程Python 电子书100本。
深度学习中的隐私保护：同态加密技术应用
"这篇资源探讨了如何在深度学习中应用同态加密技术来保护用户...这篇资源深入探讨了如何结合深度学习与同态加密技术，以实现数据隐私的有效保护，这对于在保证数据安全的前提下推进深度学习应用的发展具有重要意义。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

带娃的IT创业者

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值