PySEAL: SEAL 同态加密库的 Python 封装实现
本文针对同态加密的各类库进行调查,介绍了选择正确的安全计算方法时应考虑的关键特性和权衡,并在这些特性上对六个常见可用的同态加密库(SEAL,HElib,TFHE,Paillier,ELGamal 和 RSA)进行比较。还阐明了不同语言和实际应用的支持。
Dec, 2018
这篇论文介绍了一种交互式的 Systematic Error Analysis and Labeling (SEAL) 工具,使用两步法逐步确定高误差片段数据,同时使用语言模型和文本到图像模型来为性能低下的数据集提供人类可理解的语义,从而解决 NLP 领域中因标签缺失和缺乏可视化特征而面临的挑战。
Oct, 2022
SPEAR 是一个基于 Python 语言的开源库,实现了数据编程中的半监督技术,其中包含了一些最近的数据编程方法,如利用启发式(或规则)进行弱监督,将噪声标签与训练数据集相关联,对无标签数据进行噪声标签聚合,并实现了级联和联合数据编程方法的模型训练和聚合。
Aug, 2021
该论文提出了一种基于 Transformer 的模型 SEAL,用于长篇抽象文本摘要,模型具有可解释性,同时可以使用原始文档和摘要提供弱监督学习信号。该模型在现有长篇摘要任务上取得了最佳结果,并在新的数据集 / 任务 Search2Wiki 上优于强基线模型。
Jun, 2020
PrivPy 是一个优化的机器学习隐私保护计算框架,提供易于使用的 Python 编程前端,支持高级数组操作和不同的安全计算引擎,可以方便高效地编写现代机器学习算法。
Jan, 2018
本研究旨在通过设计一种远程数据隐私保护算法,利用概率近似算子,使得同步训练的目标模型能够在保证差分隐私的前提下,更好地应用于深度学习领域,并优化计算效率。
Apr, 2023
以保护隐私和安全的机器学习模型为目标,我们提出了一种基于混合同态加密方案的隐私保护机器学习方法,通过使用混合同态加密构建安全的分类结果学习模型,同时保护输入数据和机器学习模型的隐私。我们通过开发和评估一个基于混合同态加密的隐私保护机器学习应用程序,用于基于敏感心电图数据的心脏疾病分类,证明了我们方法的实际可行性。这种混合同态加密方案的成功整合为相对受限的末端设备上的机器学习提供了一个更安全、更注重隐私的未来展望。
Jan, 2024
本文提出了一个隐私保护的视觉分类器学习框架,利用分布式私有图像数据进行学习,并使用同态加密系统保护数据隐私。通过 DPHE 和稀疏数据约束方法提高同态加密的运算效率,最终得出在保证数据隐私的前提下,能够与最先进的视觉识别方法媲美的分类器。
Apr, 2017
本文探讨隐私保护癌症检测的挑战,提出了一个利用机器学习和遗传突变等领域知识进行的、保护隐私的癌症预测方案。该方案利用 Homomorphic Encryption 加密方法,并使用统计测试进行特征选择,其中所提出的逻辑回归模型,与其他研究相比,测试时具有更高的准确性。因此,本文提出的解决方案在高效地使用密文计算技术方面具有很大的优势。
Apr, 2022