MMFeb, 2018

辅助生活隐私保护的深度学习方法

PDF
TL;DR本文提出了一种基于 LSTM Encoder-Decoder 的新编码技术，用于实现医疗保健数据和环境辅助生活领域中对隐私的保护，通过实验结果证明了该方法的高效性和有效性。
privacy preservationdeep learninghealthcare dataambient assisted livinglstm encoder-decoder
发现论文，激发创造
  • 深度学习中的本地差分隐私

    该研究提出了一种名为 LATENT 的本地差分隐私算法，该算法通过将卷积神经网络架构分为卷积模块、随机化模块和全连接模块，并使用新的差分隐私协议实现随机化模块作为网络功能虚拟化隐私保护服务，在边缘 - 云协同中使得保护隐私的深度学习在物联网环境下更加实用。

    Aug, 2019

  • 深度学习中的隐私：综述

    本文综述了深度学习中面临的隐私问题，以及已经提出的解决这些问题的技术，并提出了未来研究方向。

    Apr, 2020

  • 面向医疗数据民主化与信息泄露预防的数据编码

    这篇论文提出了一种通过不可逆编码实现数据民主化的方案，能在不违反医疗数据和临床模型的隐私约束条件下，保证编码数据能够保留原始数据的语义以有效地训练深度学习模型，并减少模型的信息泄漏。

    May, 2023

  • 当机器学习遇到隐私：一份调查与展望

    本文对机器学习与隐私问题进行了综述，涵盖了三种交互方式：(i) 私有机器学习，(ii) 机器学习辅助隐私保护，以及 (iii) 基于机器学习的隐私攻击和相应的保护方案，总结了各个领域内的研究进展和关键挑战，并提出了未来的研究方向。

    Nov, 2020

  • 基于差分隐私标签比例的分布式 LSTM 学习

    该论文提出了两个有效模型，利用差分隐私和去中心化 LSTM 学习，以解决数据隐私、通信带宽和从时空数据中学习的问题，并在 Pems-Bay 和 METR-LA 数据集上进行了评估，同时提供了基于 LuST 的自有数据集，评估结果显示了性能与数据隐私之间的权衡。

    Jan, 2023

  • 基于人工智能的匿名化：在利用机器学习时保护个人数据隐私

    人工智能的发展显著改变了人们的生活，但也对隐私和安全构成了重大威胁。因此，通过机器学习算法实现个人信息的智能保护已成为一项重要关注点。本文着重于个人数据隐私保护和匿名化的核心研究目标，通过使用机器学习的差分隐私保护算法，实现个人数据隐私保护和检测，并解决与隐私和个人数据保护相关的现有挑战，提出改进建议，分析影响数据集的因素以实现及时的个人数据隐私检测和保护。

    Feb, 2024

  • 隐私保护机器学习的鲁棒表示学习：一种多目标自编码器方法

    通过鲁棒表示学习作为编码数据的方式，我们提出了一种旨在优化隐私效用平衡的方法，利用自动编码器进行多目标训练，然后将编码部分的潜在特征和学习特征连接起来作为我们的数据的编码形式，以安全地发送给第三方进行深度训练和超参数调优，从而在维护数据隐私的同时提高性能。

    Sep, 2023

  • 你的行动言明一切：深度强化学习隐私泄露攻击

    本文首次探讨了深度强化学习中可能泄露隐私信息的情况，并提出了两种方法来推断训练后代理的潜在隐私信息。作者在不同情境下进行了大量实验并表明以上两种方法可以有效地从训练后的代理中推断出敏感地图信息。

    Apr, 2019

  • 一个混合深度学习架构用于隐私保护移动分析

    本篇论文提出了一种用于合作、隐私保护分析的深度神经网络混合方法，使用边缘处理的思想，在保持效益的同时，有效减少了不必要、潜在敏感信息的级别。利用 Siamese 微调技术，可以确保用户设备只带有主任务所需的必要信息，并防止数据的二次推断。

    Mar, 2017

  • RL-DistPrivacy: 低延迟 IoT 系统隐私感知分布式深度推理

    本论文通过重新考虑分发策略，并利用增强学习设计来支持异构设备和多个 DNN / 数据集，实现协同深度推理的安全性，以平衡联合推理的延迟和数据隐私级别之间的权衡。

    Aug, 2022