文章摘要:随着网络信息技术与互联网的不断发展，数据的隐私与安全问题亟待解决，联邦学习作为一种新型的分布式隐私保护机器学习框架应运而生。本文针对联邦学习隐私安全问题，基于博弈论和Micali-Rabin随机向量表示技术提出一种具有隐私保护的高效联邦学习方案。在方案中首先利用博弈论设计联邦学习博弈模型，并结合Micali-Rabin随机向量表示技术构造高效的联邦学习方案；其次，结合Pedersen承诺方案实现高效联邦学习的隐私保护，以此保障联邦学习中各参与方数据的安全与隐私，以及各参与方的利益；最后，实验的安全与性能分析结果表明，该方案不仅提高了联邦学习的通信效率，且全局参与者能到达帕累托最优状态，同时保证了各诚实参与者的利益与安全隐私。

文章关键词:

项目基金: