Projected Hamming Distance

新型FHPLF模型增强了联邦学习的隐私性和效率

研究人员开发了一种名为联邦哈希投影潜在因子（FHPLF）的新模型，该模型结合了联邦学习（FL）和哈希学习（HL），以解决隐私和通信开销问题。传统的HL需要上传个人数据，而FL方法通常涉及传输大的实值梯度。FHPLF引入了二元梯度状矩阵以降低成本并增强隐私，使用投影汉明距离通过二元码提高表示能力，并包含安全二元梯度重组和增强隐私的上传策略。实验表明，FHPLF在准确性、效率和隐私方面优于现有的HL和FL方法。