新威尼斯v0008(中国)能源有限公司 - 百度百科

当前位置: 网站首页  ·  学术报告  ·  内网报告  ·  正文

微电子与数据科学学院学术报告

发布时间:2022-12-08   文章来源:   浏览:

报告人 王亚飞 时间 2022年12月9日17:00
地点 388-974-689

 

Title: A General Differentially Private Learning Framework for Decentralized Data

Abstract: Decentralized consensus learning has been hugely successful that minimizing a finite sum of expected objectives over a network of agents. However, the local communication across neighbouring agents in the network may lead to the leakage of private information. To address this challenge, we propose a general differentially private (DP) learning framework that is applicable to direct and indirect communication networks without a central coordinator. We show that the proposed algorithm retains the performance guarantee in terms of generalization and finite sample performance. We investigate the impact of local privacy-preserving computation on the global DP guarantee. Further, we extend the discussion by adopting a new class of noise-adding DP mechanisms based on generalized Gaussian distributions to improve the utility-privacy trade-offs. Our numerical results demonstrate the effectiveness of our algorithm and its better performance over the state-of-the-art baseline methods in various decentralized settings.

报告题目去中心化下保护数据隐私的学习框架

人:王亚飞(艾塞克斯大学

报告时间202212月9日17:00

报告地点:388-974-689

主办单位微电子与数据科学学院

报告对象微电子与数据科学学院及全校感兴趣的教师、研究生和本科生

内容摘要去中心化学习通过极小化若干个服务器的损失总和受到广泛研究,但是服务器之间的信息传递会导致个人信息泄漏。我们提出一种可以保护数据隐私的学习框架,并且研究了所提算法的性质---泛化性,有限样本性质。此外,我们理论上给出了全局的隐私保护怎样受局部服务器的影响。考虑到所提算法的可行性,基于广义高斯分布,我们提出了一种新的加噪声的机制。

报告人简介王亚飞,英国University of Essex Assistant Professor,博士生导师。主要研究方向是复杂数据分析特别是影像数据分析, 随机优化。多项研究成果发表在JMVA, CSDA、NeurIPS, AAAI等国际顶级期刊。


 

关闭

  • 官方微信

  • 官方微博

佳山校区地址:安徽省马鞍山市湖东路59号      邮编:243002

秀山校区地址:安徽省马鞍山市马向路1530号     邮编:243032

版权所有 © 2020  新威尼斯v0008 【皖ICP备19010821 皖公网安备 34050302000234号】