联邦学习模型在涉密数据处理中的应用

被引：7

作者：

贾延延 ^{[1
,2
]}

张昭 ^{[3
]}

冯键 ^{[4
]}

王春凯 ^{[1
]}

机构：

[1] 中国再保险(集团)股份有限公司博士后科研工作站

[2] 中国科学院计算技术研究所

[3] 中国电子科技集团公司电子科学研究院

[4] 中国再保险(集团)股份有限公司信息技术中心

来源：

中国电子科学研究院学报 | 2020年 / 15卷 / 01期

基金：

中国博士后科学基金;

关键词：

联邦学习; 涉密数据; 机器学习;

D O I：

暂无

中图分类号：

TP311.13 []; TP309 [安全保密];

学科分类号：

1201 ; 081201 ; 0839 ; 1402 ;

摘要：

如何在保障涉密数据安全的前提下,打破企业间的数据壁垒,跨界联合建模,是大数据时代亟待解决的问题。文中针对隐私保护和联合建模的矛盾,对联邦学习框架展开深入研究,探讨了联邦学习模型产生的技术背景,模型原理和学习过程;分析了不同类别的联邦学习模型的建模方法和适用场景;讨论了联邦学习模型在涉密数据处理中应用的可行案例。研究发现,联邦学习模型可以在保障涉密企业数据安全的前提下,联合多方数据,充分挖掘大数据价值。

引用

页码：43 / 49

页数：7