学术讲座—优化联邦学习：一种新的DP-FedSAdam算法增强隐私和性能
发布者：
科研处
更新日期：
2024-05-08
访问次数：
217
| 讲座题目 | 优化联邦学习：一种新的DP-FedSAdam算法增强隐私和性能 Optimizing Federated Learning: A Novel DP-FedSAdam Algorithm for Enhanced Privacy and Performance |
|---|
| 主办单位 | 计算机科学与数学学院 |
|---|
| 联合主办单位 |
|
|---|
| 讲座人 | 程海 | 讲座人
职称 | 副高 | 主持人 | 毛国君 |
|---|
| 讲座类型 | 自然科学 | 讲座对象 | 全校师生 | 时间 | 2024-05-11 10:30 |
|---|
| 地点 | 校学术报告厅 |
|---|
讲
座
人
简
介 | 程海，工学博士，博士后，波士顿大学访问学者，黑龙江大学副教授，硕士研究生导师。研究方向：保密通信，人工智能安全，嵌入式系统。参与国家自然科学基金项目和国防相关项目多项，主持并完成省级科研项目1项，厅级项目1项，校级项目2项，博士后基金1项，主持研究方向相关横向项目多项，出版学术著作1部，出版教材1部，第一作者或者通讯作者发表SCI、EI检索论文20余篇。 |
|---|
讲座
主要内容 | 联邦学习允许多方以保护隐私的方式协作训练共享模型。但是，联邦学习涉及服务器和参与者之间的频繁通信，这可能会损害客户端的隐私。为了解决这个问题，客户级差分隐私联邦学习（DPFL）引入了本地更新的片段和噪声添加来改善隐私。然而，这种增加的噪声会降低模型的性能。在本研究中，我们提出了一种基于SAM+ADAM优化器的优化算法，旨在减少噪声影响和通信轮数，以提高资源效率。我们提出的DP-FedSAdam算法，结合锐度感知最小化，创建了一个具有更好的稳定性和抗权重扰动的模型，最大限度地减少了本地更新规格，增强了对客户级差分隐私噪声的弹性。从而实现了最优的模型参数，减少了资源的使用。大量的实验和对比分析验证了该算法与传统方法相比的优越性。 |
|---|
|
|
