隐私保护模型融合架构

本地差分隐私

该架构在局部差分隐私约束下，无需额外训练即可融合多个参与方的模型。

Qian, Chen · Chen, Yiqiang · 蒋鑫龙 · Teng, Zhang · Weiwei, Dai · Huang, Wuliang · 闫冰洁 · Zhen, Yan · Wang, Lu · Bo, Ye

IEEE Transactions on Knowledge and Data Engineering 2024

参数信息

无需额外训练

1

保护对象

2

应用域数量

2

技术优势

无需额外训练

利用基于图的结构直接融合多个参与方的模型，避免繁琐的再训练过程，节省计算资源和时间。

同时保护激活值和权重

采用混合本地差分隐私机制，对激活值和权重同时施加保护，防止敏感信息从模型内部泄露。

减轻噪声影响

引入扰动过滤适配器，降低随机噪声对模型效用的影响，恢复融合模型的性能。

应用场景

• 隐私保护模型服务：在模型融合过程中保护用户隐私，无需额外训练即可提供高质量服务。
• 安全协作数据分析：多方在不泄露原始数据的情况下协作分析，实现知识和模型的安全融合。
• 医疗数据隐私：在医疗应用中保护患者隐私的同时，融合多机构模型以提升诊断能力。