5、移动边缘网络中的联邦学习：隐私、安全与应用

移动边缘网络中的联邦学习：隐私、安全与应用

1. 隐私保护方案

在联邦学习（FL）中，保护参与者的数据隐私至关重要。以下是几种常见的隐私保护方案：
- 添加噪声与随机选择参与者 ：在每个学习轮次中，聚合服务器随机选择一定数量的参与者来训练全局模型。被选中的参与者会采用高斯分布向训练好的模型添加噪声，然后再将参数发送给服务器。这样，恶意参与者无法通过共享的全局模型参数推断其他参与者的信息，因为他们不知道每一轮中谁参与了训练。
- 协作式深度学习框架 ：为了避免服务器不可信带来的隐私威胁，引入了协作式深度学习框架。参与者不再上传完整的训练参数，而是明智地选择上传的梯度数量和从全局模型更新的参数数量。这种方法在参与者不共享所有训练参数的情况下，预测模型的准确率仍接近服务器拥有全量数据进行训练的情况。例如，对于MNIST数据集，参与者共享10%和1%的参数时，预测模型的准确率分别为99.14%和98.71%，而集中式解决方案（服务器拥有全量数据）的准确率为99.17%。但该方法在更复杂的分类任务上还需进一步测试。

<

数据集	共享参数比例	准确率
MNIST	10%	99.14%
MNIST	1%	98.71%