打破数据孤岛：联邦学习近期重要研究进展(40)_机器之心原创作者：仵冀颖编辑：H4O随

【Wikipedia 新词预测】预训练 LSTM。在 Reddit 网站上所有用户评论的语料库中引用经过预训练的 LSTM，再次使用 NLTK 标记过程。图 4(b) 给出了联邦学习和本文方法在 20 次实验中的标准错误之间的准确度差异。

图49/49

Fig. 4. 隐私联邦学习方法（用相应的ε1 参数标记 SDP）和各种隐私参数ε以及清晰模型更新的联邦学习（标记 clear）预训练准确度比较

总结与分析

本文针对大规模分布式模型拟合及联邦学习问题，提出了一种差异性隐私保护方法。本文分析了对手的先验可信度和重建概率，从而证明了在较大 epsilon 取值情况下的隐私情况以及不同机制提供的隐私保护类型是非常重要的。由本文的分析和实验结果可知，进一步分析隐私屏障以及在不同层面上提供不同类型的保护手段等，对于解决实际应用中的隐私保护问题是非常有意义的。

本文提到的参考文献：