基于联邦学习和差分隐私的人脸识别系统研究

我要开发同款
proginn09095949912025年05月20日
26阅读
所属分类Spark、torch、Apache、机器学习/深度学习
参考价格1000.00元

作品详情

随着人脸识别技术在智能安防、金融支付等隐私敏感场景的大规模部署,传统集中式训练模式导致的用户数据泄露风险成为技术发展的主要瓶颈。本文提出一种基于联邦学习与差分隐私的混合架构人脸识别系统。通过构建支持非独立同分布(Non-IID)数据的联邦学习框架,结合动态隐私预算管理策略,在保护用户数据隐私的同时提升模型泛化能力。实验结果表明,在 Olivetti 人脸数据集上,系统在 ε=1.0 的隐私预算下达到 92.3% 的准确率,较传统联邦学习方法提升 4.7%,验证了隐私保护与模型性能的高效平衡。
声明:本文仅代表作者观点,不代表本站立场。如果侵犯到您的合法权益,请联系我们删除侵权资源!如果遇到资源链接失效,请您通过评论或工单的方式通知管理员。未经允许,不得转载,本站所有资源文章禁止商业使用运营!
下载安装【程序员客栈】APP
实时对接需求、及时收发消息、丰富的开放项目需求、随时随地查看项目状态

评论