一种高效的隐私保护分布式学习框架用于卫星通信
发表于: 。本研究针对传统机器学习在卫星网络中面临的带宽和计算资源限制的问题,提出了一种新的高效分裂学习框架DTIP,该框架结合了差分隐私与图神经网络修剪,优化了分布式学习过程。实验表明,DTIP显著提高了隐私保护、准确性和计算效率,有望在卫星通信领域建立新的隐私保护分布式学习基准,变革太空网络的数据处理。
本研究针对传统机器学习在卫星网络中面临的带宽和计算资源限制的问题,提出了一种新的高效分裂学习框架DTIP,该框架结合了差分隐私与图神经网络修剪,优化了分布式学习过程。实验表明,DTIP显著提高了隐私保护、准确性和计算效率,有望在卫星通信领域建立新的隐私保护分布式学习基准,变革太空网络的数据处理。