机械工程学报

作者：华丰, 王亚森, 金骏阳, 袁烨

单位：1. 华中科技大学机械科学与工程学院 武汉 430074;2. 华中科技大学数字制造装备与技术国家重点实验室 武汉 430074;3. 华中科技大学无锡研究院 无锡 214000;4. 华中科技大学人工智能与自动化学院 武汉 430074

关键词：工业大数据,隐私保护机器学习,联邦学习,数据分析；

基金：国家自然科学基金资助项目(92167201，62203182)。

随着工业大数据技术的发展，制造企业通过收集和分析生产数据，获取在预测、诊断等方面的优化方法。然而制造企业受限于建模和算力等技术瓶颈，难以高效地实现数据分析，在联合其他参与方共同协作时即需要承担信息泄露的风险，又难以保证模型的性能无损。针对这些场景问题，提出基于数据隐私保护的多方无损线性模型学习方法。首先搭建多方协作计算框架，设计了数据单向加密算法来保护数据出场的隐私安全，各协作方分别基于加密数据进行线性模型的训练。随后，研究分析线性模型与数据集的关联特性，提出线性模型无损聚合算法。最后，在典型工业场景数据集上进行方法验证，试验结果表明提出的框架可以获得性能无损的全局模型，并实现数据持有方的隐私安全保护。

来源：2023年第12期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第12期