Improved-Deep-Leakage-from-Gradients:“改进的梯度深度泄漏”（iDLG）的代码-源码

Python

改进的深度泄漏 “”（iDLG）的代码。抽象的人们普遍认为，共享梯度不会泄漏诸如协作学习和联合学习等分布式学习系统中的私人训练数据。 [1]提出了一种方法，该方法显示了从公开共享的梯度中获得私人训练数据的可能性。在他们的“从梯度深度泄漏”（DLG）方法中，他们在共享梯度的监督下合成了虚拟数据和相应的标签。但是，DLG难以收敛并始终如一地发现地面真相标签。在本文中，我们发现共享梯度无疑泄漏了地面真相标签。我们提出了一种简单但可靠的方法来从梯度中提取准确的数据。特别是，我们的方法可以肯定地提取出与DLG相反的地面标签，因此我们将其命名为改进的DLG（iDLG）。我们的方法适用于任何在单热标签上经过交叉熵损失训练的可微模型。我们以数学方式说明了我们的方法如何从梯度中提取地面标签，并通过经验证明了其优于DLG的优势。实验数据集戴高乐 iDLG MNIST 89.9％

文件下载

资源详情

[{"title":"（ 4 个子文件 408KB ） Improved-Deep-Leakage-from-Gradients:“改进的梯度深度泄漏”（iDLG）的代码-源码","children":[{"title":"Improved-Deep-Leakage-from-Gradients-master","children":[{"title":"iDLG.py 9.27KB ","children":null,"spread":false},{"title":"Figure2.png 335.98KB ","children":null,"spread":false},{"title":"Figure1.png 85.46KB ","children":null,"spread":false},{"title":"README.md 3.00KB ","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

其他资源

免责申明

【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论【只为小站】经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见版权及免责申明

Improved-Deep-Leakage-from-Gradients:“改进的梯度深度泄漏”（iDLG）的代码-源码

文件下载

资源详情

评论信息

其他资源

免责申明

个人信息

热门下载

最新下载