Vertically Federated Learning with Correlated Differential Privacy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Federated learning (FL) aims to address the challenges of data silos and privacy protection in artificial intelligence. Vertically federated learning (VFL) with independent feature spaces and overlapping ID spaces can capture more knowledge and facilitate model learning. However, VFL has both privacy and utility problems in framework construction. On the one hand, sharing gradients may cause privacy leakage. On the other hand, the increase in participants brings a surge in the feature dimension of the global model, which results in higher computation costs and lower model accuracy. To address these issues, we propose a vertically federated learning algorithm with correlated differential privacy (CRDP-FL) to meet FL systems’ privacy and utility requirements. A privacy-preserved VFL framework is designed based on differential privacy (DP) between organizations with many network edge devices. Meanwhile, feature selection is performed to improve the algorithm’s efficiency and model performance to solve the problem of dimensionality explosion. We also propose a quantitative correlation analysis technique for VFL to reduce the correlated sensitivity and noise injection, balancing the utility decline due to DP protection. We theoretically analyze the privacy level and utility of CRDP-FL. A real vertically federated learning scenario is simulated with personalized settings based on the ISOLET and Breast Cancer datasets to verify the method’s effectiveness in model accuracy, privacy budget, and data correlation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,013 | 0,046 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle