原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
JournalofComputerApplicationsISSN1001⁃90812025⁃02⁃10
计算机应用,2025,45(2):506-517CODENJYIIDUhttp://www.joca.cn
文章编号：1001-9081（2025）02-0506-12DOI:10.11772/j.issn.1001-9081.2024020249
面向遥感数据的基于本地差分隐私的联邦学习隐私保护方案
1，2，31，2，3*1，21，2，3
陈海田，陈学斌，马锐奎，张帅华
（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）
（∗通信作者电子邮箱chxb@ncst.edu.cn）
摘要：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。
关键词：联邦学习；差分隐私；层重要性；遥感数据；模型校正
中图分类号：TP309文献标志码：A
Federatedlearningprivacyprotectionschemebasedon
localdifferentialprivacyforremotesensingdata
CHENHaitian1，2，3，CHENXuebin1，2，3*，MARuikui1，2，ZHANGShuaihua1，2，3
（1.CollegeofScience，NorthChinaUniversityofScienceandTechnology，TangshanHebei063210，China；
2.HebeiProvincialKeyLaboratoryofDataScienceandApplication（NorthChinaUniversityofScienceandTechnology），
TangshanHebei063210，China；
3.Tan
文档评论（0）