MMNov, 2018

使用随机森林实现隐私保护的协同预测

PDF
TL;DR本文针对协作分析中隐私和数据共享的矛盾之处，以随机森林为例，探讨了保护隐私的机器学习模型问题，并提出了一种新的集成学习方法，通过实验数据表明了新方法的高效性和潜在的准确性好处，能够用于在临床决策支持中预测模型的学习中。
privacy-preserving machine learningensemble methodsrandom forestsclinical decision supportehr data
发现论文，激发创造
  • 医疗隐私保护机器学习：挑战与未来视角

    本文综述了隐私保护机器学习在医疗保健领域中的应用，主要关注隐私保护的训练和推断，总结了现有趋势，识别了挑战，并讨论了未来研究方向。研究旨在引导隐私和高效的机器学习模型在医疗保健中的应用，并将研究成果转化为现实应用。

    Mar, 2023

  • 隐私保护协作机器学习的可扩展方法

    该研究提出了 COPML 算法，这是一个完全去中心化的训练框架，可以保护数据隐私并实现可伸缩性，使用对个体数据进行安全编码的方式在多方之间分发计算负载，并以分布式方式执行训练计算和模型更新。实验演示了 COPML 相较于基准协议在训练速度上可实现高达 16 倍的加速。

    Nov, 2020

  • 野心勃勃：隐私保护神经网络训练的可重复研究

    这项工作主要关注机器学习模型的训练阶段，在这个阶段对用户数据的隐私保护至关重要。我们提供了坚实的理论背景，以便更容易理解当前方法及其局限性。此外，我们对最新的模型训练框架进行了详细比较，提供了在标准基准上独特属性和性能的全面对比。我们重现了一些论文的结果，并考察现有作品对开放科学的支持程度，认为我们的工作就提高了关于隐私保护机器学习在理论进展和实际应用之间差距的意识，特别是在开放源代码可用性、可重复性和可用性方面。

    Mar, 2024

  • 提升机器学习数据隐私保护的最新方法 —— 综述

    探讨隐私保护机器学习（PPML）的兴起及其对各领域的巨大影响，强调在机器学习框架中保护隐私所面临的挑战，讨论当前研究努力，旨在最小化隐私敏感信息和增强数据处理技术，通过应用密码学方法、差分隐私和可信执行环境等隐私保护技术，保护机器学习训练数据防止隐私侵犯，尤其关注 PPML 在敏感领域中的应用及其在保护机器学习系统隐私与安全方面的关键作用。

    Feb, 2024

  • 隐私保护机器学习的高效抗辍学聚合

    本文提出了一种可切换的、可扩展的、高容错的隐私保护聚合方案，用于隐私保护机器学习中。

    Mar, 2022

  • 联邦森林

    本文提出了一种称为 Federated Forest 的隐私保护机器学习模型，该模型是传统随机森林方法的无损学习模型，可以在不泄露原始数据的情况下处理分布在不同公司或政府机构中的数据。 通过该模型，开发了一种安全的跨地区机器学习系统，并提出了一种新型的预测算法来降低通信开销。 实验表明，Federated Forest 的性能已被验证，可以用于实际任务。

    May, 2019

  • 协作机器学习中的稳健性与学习之间的冲突

    合作机器学习允许参与者在保护私人训练数据的同时，共同训练一个机器学习模型。研究人员提出使用强大的聚合器来过滤可能危及训练过程的恶意贡献，但我们的研究表明现有的强大的聚合器无法实现其目标，因为它们要么使用无法准确识别恶意更新的基于距离的指标，要么提出的方法与参与者从其他人那里学习的能力相冲突，因此无法排除操纵的风险。

    Feb, 2024

  • 个性化模型混淆的隐私保护负荷预测

    智能电表的普及为训练建筑层负载预测模型提供了详细和本地化的负载消耗数据，为了解决由模型引起的数据泄露带来的隐私问题，本论文提出了一种用于非同质数据的短期负载预测模型的性能挑战的隐私保护联邦学习算法（PPFL），该算法通过模型混淆在每个智能电表上实现本地化训练，并采用差分隐私机制来保护共享层的数据泄露。在 NREL ComStock 数据集上进行的模拟实验验证了我们方法的有效性。

    Nov, 2023

  • 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

  • PPFL: 基于可信执行环境的隐私保护联邦学习

    该论文提出并实现了一种基于隐私保护联合学习（PPFL）的框架，旨在通过利用受信任的执行环境（TEEs）对客户端进行本地训练，通过 TEEs 对服务器进行安全聚合，从而在联合学习中限制隐私泄漏，并达到显著的隐私保护与可比较的模型效用提升。

    Apr, 2021