原创力文档摘要
指纹识别作为生物识别领域的关键技术，因其唯一性和稳定性广泛应用于身份认证。
然而，随着大数据时代的到来，指纹数据的高度敏感性对隐私保护提出严格要求，传统
集中式训练因需汇集原始数据而面临泄露风险。联邦学习（FederatedLearning,FL）作为
一种去中心化的机器学习方法，通过本地训练和参数聚合避免数据共享，成为满足指纹
识别隐私需求的有效方案。在指纹识别任务中，联邦学习（FL）面临数据异构性的挑战。
由于不同设备采集的指纹图像在分辨率、噪声水平、旋转角度等方面存在较大差异，导
摘要
指纹识别作为生物识别领域的关键技术，因其唯一性和稳定性广泛应用于身份认证。
然而，随着大数据时代的到来，指纹数据的高度敏感性对隐私保护提出严格要求，传统
集中式训练因需汇集原始数据而面临泄露风险。联邦学习（FederatedLearning,FL）作为
一种去中心化的机器学习方法，通过本地训练和参数聚合避免数据共享，成为满足指纹
识别隐私需求的有效方案。在指纹识别任务中，联邦学习（FL）面临数据异构性的挑战。
由于不同设备采集的指纹图像在分辨率、噪声水平、旋转角度等方面存在较大差异，导
文档评论（0）