作为一种分布式优化范式,联邦学习(FL)允许大量资源有限的客户端节点在不共享数据时协同训练模型。然而,传统联邦学习算法,如FedAvg,通常未充分考虑公平性的问题。在实际场景中,数据分布通常具备高度异构性,常规的聚合操作可能会使模型...作为一种分布式优化范式,联邦学习(FL)允许大量资源有限的客户端节点在不共享数据时协同训练模型。然而,传统联邦学习算法,如FedAvg,通常未充分考虑公平性的问题。在实际场景中,数据分布通常具备高度异构性,常规的聚合操作可能会使模型对某些客户端产生偏见,导致全局模型在客户端本地的性能分布出现巨大差异。针对这一问题,提出一种面向个性化与公平性的联邦学习FedPF(Federated learning for Personalization and Fairness)算法。FedPF旨在有效减少联邦学习中低效的聚合行为,并通过寻找全局模型与本地模型的相关性,在客户端之间分配个性化模型,从而在保证全局模型性能的同时,使客户端本地性能分布更均衡。将FedPF在Synthetic、MNIST以及CIFAR10数据集上进行实验和性能分析,并与FedProx、q-FedAvg和FedAvg这3种联邦学习算法进行对比。实验结果表明,FedPF在有效性和公平性上均得到了有效提升。展开更多
针对现有动态社交网络隐私保护中存在的添加噪声尺度过大以及迭代过程中误差积累的问题,提出一种面向部分图更新的动态社交网络隐私发布方法 PGU-DNDP(Partial Graph Updating in Dynamic social Network based on Differential Privacy...针对现有动态社交网络隐私保护中存在的添加噪声尺度过大以及迭代过程中误差积累的问题,提出一种面向部分图更新的动态社交网络隐私发布方法 PGU-DNDP(Partial Graph Updating in Dynamic social Network based on Differential Privacy)。首先,通过时间权衡的动态社区发现算法收集网络快照图集合中的更新序列;其次,使用静态图发布方法得到初始生成图;最后,基于上一时刻的生成图和当前时刻更新序列完成部分图更新。部分更新的方法可以降低全图扰动带来的过量噪声并优化时间成本,避免合成图密集情况发生。此外,在部分更新中设计一种边缘更新策略,结合自适应的扰动和下采样机制,通过隐私放大减小迭代过程中的累积误差,从而有效提高合成图的精度。在3个合成数据集和2个真实的动态数据集上的实验结果表明,PGU-DNDP能够在保证动态社交网络隐私需求的同时,比主流的静态图生成方法 PrivGraph(differentially Private Graph data publication by exploiting community information)保留更高的数据效用。展开更多
文摘作为一种分布式优化范式,联邦学习(FL)允许大量资源有限的客户端节点在不共享数据时协同训练模型。然而,传统联邦学习算法,如FedAvg,通常未充分考虑公平性的问题。在实际场景中,数据分布通常具备高度异构性,常规的聚合操作可能会使模型对某些客户端产生偏见,导致全局模型在客户端本地的性能分布出现巨大差异。针对这一问题,提出一种面向个性化与公平性的联邦学习FedPF(Federated learning for Personalization and Fairness)算法。FedPF旨在有效减少联邦学习中低效的聚合行为,并通过寻找全局模型与本地模型的相关性,在客户端之间分配个性化模型,从而在保证全局模型性能的同时,使客户端本地性能分布更均衡。将FedPF在Synthetic、MNIST以及CIFAR10数据集上进行实验和性能分析,并与FedProx、q-FedAvg和FedAvg这3种联邦学习算法进行对比。实验结果表明,FedPF在有效性和公平性上均得到了有效提升。
文摘针对现有动态社交网络隐私保护中存在的添加噪声尺度过大以及迭代过程中误差积累的问题,提出一种面向部分图更新的动态社交网络隐私发布方法 PGU-DNDP(Partial Graph Updating in Dynamic social Network based on Differential Privacy)。首先,通过时间权衡的动态社区发现算法收集网络快照图集合中的更新序列;其次,使用静态图发布方法得到初始生成图;最后,基于上一时刻的生成图和当前时刻更新序列完成部分图更新。部分更新的方法可以降低全图扰动带来的过量噪声并优化时间成本,避免合成图密集情况发生。此外,在部分更新中设计一种边缘更新策略,结合自适应的扰动和下采样机制,通过隐私放大减小迭代过程中的累积误差,从而有效提高合成图的精度。在3个合成数据集和2个真实的动态数据集上的实验结果表明,PGU-DNDP能够在保证动态社交网络隐私需求的同时,比主流的静态图生成方法 PrivGraph(differentially Private Graph data publication by exploiting community information)保留更高的数据效用。
