机构名称：
¥ 1.0
摘要 — 异构大数据给机器学习带来了许多挑战。其巨大的规模、高维性和固有的不确定性使机器学习的几乎每个方面都变得困难，从提供足够的处理能力到保持模型准确性再到保护隐私。然而，也许最棘手的问题是大数据中经常夹杂着敏感的个人数据。因此，我们提出了一种隐私保护分层模糊神经网络 (PP-HFNN)，以解决这些技术挑战，同时缓解隐私问题。该网络采用两阶段优化算法进行训练，并使用基于众所周知的交替方向乘数法的方案来学习层次结构低层的参数，该方法不会向其他代理透露本地数据。层次结构高层的协调由交替优化方法处理，该方法收敛速度非常快。整个训练过程可扩展、快速，并且不会像基于反向传播的方法那样遭受梯度消失问题。在回归和分类任务上进行的综合模拟证明了所提模型的有效性。我们的代码可在线获取 1 。
具有隐私保护的分层模糊神经网络...
主要关键词
相关文件推荐
