基于生成模型的联邦学习隐私保护算法

在联邦学习中,交换模型参数或梯度信息通常被视作是安全的。但近期研究表明,模型参数或者梯度信息也会导致训练数据的泄露。基于保护客户端数据安全的目的,提出了一种基于生成模型的联邦学习算法。为了验证该算法的有效性,在DermaMNIST数据集上进行了仿真实验,采用梯度泄露攻击对算法进行验证。实验结果表明,提出的基于生成模型的联邦学习算法与联邦学习经典算法在准确率上仅仅相差0.02%,并且通过MSE、PSNR、SSIM等评价指标可以判断出该算法可以有效地保护数据隐私。     

盲源分离中信号独立性的讨论

在盲源分离(BSS)算法中,对分离信号独立性的衡量直接影响算法的有效性和健壮性,是一个算法成功与否的关键因素。总结了衡量分离信号间独立性大小的一般原则,即从非高斯极大、互信息最小及非线性不相关等角度来衡量。提出了另一种衡量信号独立性的方法以及相关优化函数,拓展了BSS研究的一般思路。