近日,我院李亚男博士作为第一作者的最新研究成果“Multi-stage Asynchronous Federated Learning with Adaptive Differential Privacy”被人工智能领域顶级学术刊物IEEE Transactions on Pattern Analysis and Machine Intelligence（简称IEEE TPAMI）录用。
IEEE TPAMI在中国计算机学会认定的人工智能领域四个A类期刊中排名第一，是计算机视觉及模式识别领域最顶尖的期刊，目前影响因子24.314。根据当前流行的Google Scholar Citation统计，IEEE TPAMI在所有计算机工程、电子工程及人工智能相关期刊榜单上以165分的h5-index排在第1位，主要收录人工智能、模式识别、计算机视觉及机器学习领域的原创性科研成果。TPAMI筛选极其严格，每年录用量仅200篇左右。
联邦学习（FL）与差分隐私（DP）是两种主流的数据隐私保护技术，两者的结合能够增强多主体数据联合训练过程中的隐私安全。目前，FL与DP结合的主流做法是使用固定标准对梯度进行裁剪并添加噪声，但存在模型效用与隐私保护难以均衡这一根本问题。特别是在各参与方数据不能满足独立同分布这一经典假设时，需要牺牲更多的模型效用来保护数据隐私安全。为缓解模型效用与隐私保护矛盾这一根本问题，李亚男等提出了多阶段差分隐私保护的异步联邦学习架构MAPA，该架构能根据学习过程动态地调整梯度裁剪与噪声方差大小，以降低引入的噪声对模型效用的影响。进一步考虑中心服务器是否可信，提出了样本级隐私保护算法MAPA-S和用户级隐私保护算法MAPA-C。在大量标准联邦数据集上与6种先进的算法进行了比较，结果表明MAPA能够在不改变隐私保护程度前提下显著提升模型的效用，为异步联邦学习的行业应用提供了可行方法。
（通讯员 李亚男）
到此这篇tpami期刊水平（tpami期刊网址）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/bcyy/12762.html