期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
时变有向图下分布式约束联邦优化算法
1
作者 刘晓露 高旺 +1 位作者 韦梦立 虞文武 《东南大学学报(自然科学版)》 北大核心 2025年第4期1189-1196,共8页
针对时变不平衡有向图下需要确保个体隐私的带约束分布式零阶优化问题,提出一种基于差分隐私的分布式push‐sum零阶约束联邦学习算法ZOCOA‐FL。该算法通过结合零阶梯度估计与差分隐私机制,构建了无需依赖目标函数梯度且无需求解额外子... 针对时变不平衡有向图下需要确保个体隐私的带约束分布式零阶优化问题,提出一种基于差分隐私的分布式push‐sum零阶约束联邦学习算法ZOCOA‐FL。该算法通过结合零阶梯度估计与差分隐私机制,构建了无需依赖目标函数梯度且无需求解额外子优化问题的隐私保护去中心化联邦学习框架。利用投影算子将本地模型参数映射至闭凸集约束空间,并通过拉普拉斯噪声注入实现模型的隐私保护。理论证明ZOCOA‐FL在满足Lipschitz连续性条件下几乎必然收敛至全局最优解,且隐私预算累计可控。实验结果表明,在脑瘤和猴痘数据集上,ZOCOA‐FL的测试准确率分别达到97.06%和89.25%。ZOCOA‐FL实现了时变不平衡有向图下隐私保护、无梯度优化与约束处理的协同,为医疗等敏感数据场景的去中心化联邦学习提供了高效、安全的解决方案。 展开更多
关键词 联邦优化 去中心联邦学习 时变有向图 分布式优化
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部