F2GP:一种结合隐私保护机制的联邦式快速高斯过程模型,支持集优化技术

《IEEE Transactions on Dependable and Secure Computing》:F2GP: Privacy-Preserving Federated & Fast Gaussian Process Models With Support Set Optimization

【字体: 大 中 小 】 时间:2025年12月31日 来源:IEEE Transactions on Dependable and Secure Computing 7.5

编辑推荐:

  本文提出F2GP联邦学习框架,通过隐私保护的k-均值聚类算法优化稀疏高斯过程建模,并采用多方同态加密增强数据聚合安全性,在15台边缘设备上验证其低通信开销和15-20%精度优势,适用于隐私敏感场景的不确定性建模。

  

摘要:

机器学习(ML)在医疗和金融等对隐私敏感领域的广泛应用加剧了人们对数据隐私、法规遵从性以及跨数据领域泛化能力的担忧。联邦学习(FL)通过允许在不共享原始数据的情况下进行协作训练,提供了一种部分解决方案。然而,当前的FL框架往往无法解决一些关键问题,包括对半诚实或串通参与者的脆弱性、边缘设备在计算和通信方面的效率低下,以及对高斯过程(GPs)等具有不确定性感知能力的模型的支持不足。本文提出了F2GP,这是一个用于稀疏GP逼近的安全联邦学习框架,它通过两项核心创新来弥补这些不足。首先,基于一次性联邦k均值聚类的隐私保护支持集选择算法,在最小化通信开销的同时提高了模型精度。其次,多方同态加密(HE)方案保护了聚合和推理过程的安全性,即使有高达M?个参与者与服务器串通,也能确保系统的鲁棒性。我们在15个NVIDIA Jetson Nano设备的测试平台上实现了F2GP,模拟了资源有限的边缘环境。该框架展示了实际的可扩展性,并且与非安全的分布式和集中式GP基线相比,准确率提高了15–20%,同时保持了亚线性的通信开销。在多个数据集上的评估证实了F2GP的性能、强大的隐私保护能力以及其在不确定性感知推理中的适用性。代码将在https://gitee.com/SZU-AI4H/securedgp上公开。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号