Аннотация
Қазір интеллектуалды жүйелер күн сайын жеке және сезімтал деректер ағынымен жұмыс істейді. Бұл ақпараттың желіде таралуы мен рұқсатсыз қол жеткізу қаупі расында айтарлықтай көбейді. Сол себепті дәстүрлі орталық оқыту тәсілдерінен гөрі федеративті оқытуға қызығушылық өсіп жатыр. Мақалада біз федеративті оқыту жүйелеріндегі модель параметрлерін қорғау үшін Paillier гомоморфтық шифрлауына сүйенген қауіпсіз агрегация әдісін ұсынамыз. Бұл тәсіл модель параметрлерін клиенттерден серверге ашық түрде емес, шифрланған күйде жеткізуге мүмкіндік береді. Сонда деректер құпиялығы сақталып, орталық сервер өңдеуді әрі қарай жүргізеді. Жаңа әдіс сервердің бастапқы деректерді көруін шектеп, клиенттер модельді шифрланған түрде жаңартады. Сандық тұрақтылық үшін параметрлерді кванттау және масштабтау коэффициенті (κ = 10²) енгіздік. Экспериментті MNIST деректер жиынымен, 5 клиент араласқан толық байланысқан нейрондық желі (784, 64, 10) архитектурасында жүргіздік. Деректер тәуелсіз және бірдей үлестірілген (IID) күйде бөлінді, ал федеративті оқыту 10 раунд бойы іске асты. Әр клиент SGD алгоритмін қолданды, оқу жылдамдығы 0.01. Paillier шифрлауы қолданылғанда модельдің дәлдігі қалай өзгеретініне назар аудардық. Алғашқы 1-3 раундта модель дәлдігі тез өседі, кейін 4-5 раунд кезінде бұл өсім баяулайды. Соңғы 8-10 раундта модель жинақталып, дәлдігі тұрақтанады. Нәтижелер көрсеткендей, ұсынылған әдіс деректердің құпиялылығын сақтай отырып, модельді тұрақты әрі тиімді үйретеді.