本文针对分布式实体之间共享的大数据的隐私保护，提出DISTPAB，使用数据扰动的方式对本地数据进行隐私保护，适合于资源受限的设备。M.A.P.Chamikara, P.Bertok, I.Khalil, D.Liu, S.Camtepe. Privacy Preserving Distributed Machine Learning with Federated Learning. Computer Communications 171 (2021) 112–125.
本文提出的方法使用数据扰动对数据进行隐私保护，相对于同态加密，对计算能力的要求更低；存储方面，没有同态加密会扩大数据位数的问题，因此更加适合大数据和资源受限设备的隐私保护，能够更好的平衡隐私性和可用性。
本文存在的问题是，针对属性数量的时间复杂度太高，这对于将分布式机器学习向纵向扩展带来了困难，对计算资源的消耗太大。
2022年11月25日
标签：privacy,CC,preserving,隐私,learning,CCF,数据 From： https://www.cnblogs.com/FBprivacy/p/16926475.html