联邦学习中的图像隐私保护：模型大小与上传成本分析

本文旨在探讨在联邦学习环境下，如何有效保护图像隐私并分析相关成本。我们将重点关注两个关键因素：模型大小和上传信息消耗。

模型大小

模型大小直接影响训练效率。为了评估实际消耗，我们采用预训练的VGG11模型，并针对两个数据集分别将其神经元数量重置为10和100。全连接层的参数使用正态分布重新生成。CNN训练设置如下：

learning_rate: 0.01* weight_decay: 5E-4* batch_size: 64

训练图像首先被调整为256×256像素，然后随机裁剪为224×224像素。均值和标准差归一化参数分别固定为(0.4914; 0.4822; 0.44665)和(0.2023; 0.1994; 0.2010)。

为了更好地展示实际消耗，我们使用以下联邦学习设置：

每个图像拥有者在本地训练模型10个epoch。2. 图像拥有者发送共享梯度并获取新的聚合模型。3. 重复上述过程10轮。

表2展示了两个数据集中单轮的详细时间消耗。需要注意的是，由于联邦学习同步的消耗，实际训练时间将部分取决于网络环境，并且略高于表2中显示的时间。

上传信息消耗

为了将安全检索任务外包，图像内容（即RGB值）将被上传到服务器。

图2展示了原始图像、共享图像和解密图像的示例。此外，图像应转换为具有合理归一化（与联邦学习中相同）的张量，以便利用CNN模型提取特征。由于转换始终涉及除法运算，因此图像拥有者更适合执行此操作。值得注意的是，在此步骤中，图像被调整为256×256像素，并且只有中心224×224像素的图像被转换为张量。

与模型类似，上述信息的存储消耗在表4中给出。

值得注意的是，由于图像是以更小的环Z2 8共享的，因此加密图像的扩展非常小。具体来说，加密图像的大小仅略大于原始图像。因此，上传信息的消耗主要取决于原始图像的大小，如表4所示。

需要注意的是，上传信息的消耗也受网络环境的影响，实际时间消耗可能略高于表4中显示的时间。

结论

本文分析了联邦学习中图像隐私保护的模型大小和上传成本，强调了网络环境和图像尺寸对效率的影响。通过优化模型架构和加密算法，我们可以有效降低通信开销，从而促进联邦学习在图像隐私保护领域的应用。