Sciences appliquées, vol. 14, pages 5361 : Schéma d’agrégation plus efficace et vérifiable préservant la confidentialité pour l’apprentissage fédéré basé sur l’Internet des objets

Sciences appliquées, vol. 14, pages 5361 : Schéma d’agrégation plus efficace et vérifiable préservant la confidentialité pour l’apprentissage fédéré basé sur l’Internet des objets

Sciences appliquées doi : 10.3390/app14135361

Auteurs : Rongquan Shi Lifei Wei Lei Zhang

Alors que la technologie de l’Internet des objets (IoT) continue de progresser à un rythme rapide, les appareils intelligents ont imprégné la vie quotidienne. Les fournisseurs de services collectent activement un grand nombre de données utilisateur, dans le but d’affiner les modèles d’apprentissage automatique afin d’améliorer la qualité et la précision des services. Cependant, cette pratique a suscité des appréhensions parmi les utilisateurs quant à la confidentialité et à la sécurité de leurs données personnelles. L’apprentissage fédéré apparaît comme une évolution de l’apprentissage automatique centralisé, permettant une formation collective de modèles d’apprentissage automatique par plusieurs utilisateurs sur leurs appareils respectifs. Surtout, cela est réalisé sans la soumission directe des données à un serveur central, atténuant ainsi considérablement les risques associés aux violations de la vie privée. Étant donné que les algorithmes d’apprentissage automatique agissent localement dans l’apprentissage fédéré, en renvoyant uniquement le modèle local au serveur central, les utilisateurs peuvent s’en servir. les données restent localement. Cependant, les travaux de recherche actuels indiquent que les modèles locaux incluent également des composants liés à la confidentialité des données des utilisateurs. De plus, les systèmes d’agrégation sécurisés actuels préservant la confidentialité offrent une précision insuffisante ou nécessitent des ressources informatiques considérablement élevées pour la formation. Dans ce travail, nous proposons un schéma d’agrégation efficace et sécurisé pour l’apprentissage fédéré préservant la confidentialité avec des coûts de calcul inférieurs, qui convient aux appareils IoT faibles puisque le schéma proposé est robuste et tolérant aux pannes, permettant à certains utilisateurs de quitter dynamiquement. ou rejoignez le système sans redémarrer le processus d’apprentissage fédéré ni déclencher une terminaison anormale. De plus, ce schéma a la propriété de vérifier les résultats dans le cas où les serveurs renvoient des résultats d’agrégation incorrects, qui peuvent être vérifiés par les utilisateurs. Des évaluations expérimentales approfondies, basées sur des ensembles de données du monde réel, ont confirmé la grande précision du système proposé. De plus, par rapport aux systèmes existants, le nôtre réduit considérablement les coûts de calcul et de communication d’au moins 85 % et 47 %, respectivement.

Parutions:

La France vendue à la découpe.,Ici la fiche descriptive. Ouvrage de référence.