计算机应用

作者：陈海田, 陈学斌, 马锐奎, 张帅华

单位：1.华北理工大学 理学院，河北 唐山 063210；2.河北省数据科学与应用重点实验室（华北理工大学），河北 唐山 063210；3.唐山市数据科学重点实验室（华北理工大学），河北 唐山 063210

关键词：联邦学习,差分隐私,层重要性,遥感数据,模型校正

基金：国家自然科学基金资助项目(U20A20179)

遥感数据具有高度的时空相关性以及复杂的地物特征，使得这些数据的隐私保护面临挑战。联邦学习作为一种旨在保护参与方数据隐私的分布式学习方法，为应对遥感数据隐私保护面对的挑战提供了有效的解决方案；然而，在联邦学习模型的训练阶段，恶意攻击者可能通过反演推断参与者的隐私信息，进而导致敏感信息的泄露。针对遥感数据在联邦学习训练中存在的隐私泄露问题，提出一种基于本地差分隐私的联邦学习隐私保护方案。首先，对模型进行预训练，计算模型的层重要性，并根据层重要性合理分配隐私预算；然后，通过对模型更新进行裁剪变换，并对裁剪值进行自适应随机扰动，实现本地差分隐私保护；最后，在聚合扰动更新时，采用模型校正以进一步提高模型性能。理论分析和仿真结果表明，所提方案不仅能为各参与方提供合适的差分隐私保护，并有效防止通过反演推断出隐私敏感信息，而且在3个遥感数据集上相较于基于分段机制的扰动方案提升了3.28~3.93个百分点的准确率。可见，所提方案在保证隐私的同时有效保障了模型性能。

来源：2025年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第2期