Jul, 2023
用于时间序列数据分析的混洗差分隐私联邦学习
Shuffled Differentially Private Federated Learning for Time Series Data Analytics
Chenxi Huang, Chaoyang Jiang, Zhenghua Chen
TL;DR为了确保客户隐私，可信的联邦学习旨在实现最佳性能。现有的隐私保护联邦学习方法大多针对图像数据，缺乏对时间序列数据的应用，而时间序列数据在机器健康监测、人体活动识别等方面具有重要的应用。为了解决这些问题，我们开发了一种适用于时间序列数据的保护隐私的联邦学习算法。具体而言，我们采用本地差分隐私来扩展隐私保护的信任边界，还结合了洗牌技术以实现隐私放大，从而减轻了由于本地差分隐私而导致的准确率下降。我们在五个时间序列数据集上进行了大量实验，评估结果表明，与非隐私保护的联邦学习相比，我们的算法在小型和大型客户场景下都经历了最小的准确率损失。在相同隐私保护水平下，与集中式差分隐私联邦学习相比，我们的算法在两种场景下都显示出了提高的准确率。