安全联邦迁移学习

Dec, 2018

Secure Federated Transfer Learning

Yang Liu, Yan Kang, Chaoping Xing, Tianjian Chen, Qiang Yang

TL;DR本文介绍了一种新的技术和框架，称为联邦迁移学习（FTL），它可以在数据联邦下提高统计模型的性能。该联邦允许共享知识而不会危及用户隐私，并可在网络中传输补充知识，从而使目标域方能够利用源域方的丰富标签构建更加灵活和强大的模型。同时，为了在联邦下保护 FTL 的性能，还提出了一种安全的跨验证方法。该框架需要对现有模型结构进行最小的修改，并提供与非隐私保护方法同样水平的准确性。该框架非常灵活，可有效适应各种安全多方机器学习任务。

Abstract

machine learning relies on the availability of a vast amount of data for training. However, in reality, most data are scattered across different organizations and cannot be easily integrated under many legal and practical constraints. In this paper, we introduce a new technique and fra

machine learning federated transfer learning data federation privacy-preserving secure multi-party machine learning

发现论文，激发创造

联邦迁移学习综述：挑战、方法与应用

联邦学习（FL）是一种新颖的分布式机器学习范式，通过消除数据共享要求，使参与者能够协同训练中央模型并保护隐私。联邦学习涉及多个参与者，并要求第三方汇总全局信息以指导目标参与者的更新。为解决此问题，联邦迁移学习（FTL）吸引了众多研究者的关注。本综述聚焦于对当前联邦迁移学习进展的分类和综述，并概述相关解决方案和应用。

Mar, 2024

通过联合迁移学习使基础模型根植于实际：一个通用框架

使用联邦迁移学习来接地基础模型是当前学术界和工业界重要的研究方向，该研究论文介绍了一个联邦迁移学习框架，对最新的研究工作进行了详细分类和综述，提供了高效和隐私保护技术，并探讨了联邦迁移学习未来的机会和研究方向。

Nov, 2023

联邦学习与迁移学习：对敌手和防御机制的综述

本文在安全的角度对联邦学习和迁移学习进行了全面的调查，旨在发现可能会危害使用联邦和迁移学习系统的隐私和性能的潜在漏洞和防御机制。

Jul, 2022

联邦机器学习：概念与应用

本文提出，为了解决 AI 面临的数据孤岛和数据隐私安全的问题，可以通过构建安全联邦学习架构，包括水平联邦学习、垂直联邦学习和联邦迁移学习方案，并通过使用联邦机制构建数据网络，以允许在不损害用户隐私的情况下共享知识。

Feb, 2019

联邦学习的进展：模型、方法和隐私

本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

Feb, 2023

在联邦学习框架下维护隐私和安全

通过模拟结果，本文分析了联邦学习中的隐私和安全问题并提出了保护数据隐私的挑战。

Sep, 2019

跨城市联邦迁移学习框架：以城市区域描述为例的案例研究

提出一种新的跨城联邦迁移学习框架 (CcFTL) 来解决数据不足和隐私问题，将多个数据丰富的城市的关系知识传递到目标城市，并针对目标任务在源数据上训练模型参数，然后进行参数传递，通过联邦训练和同态加密设置，CcFTL 能够有效地处理城市之间的数据隐私问题，并将该方法应用于智慧城市的城市区域配置，实验结果表明，CcFTL 方法优于多种最先进的竞争方法。

May, 2022

联邦学习：最新进展与应用的前沿综述

在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

Oct, 2023

专注回门攻击：针对联合迁移学习的专注化后门攻击

基于联邦迁移学习的聚焦后门攻击。

Apr, 2024

联邦信任：可信联邦学习的解决方案

该研究分析了联邦学习中信任度评估的现有要求，提出了六个支柱（隐私、强壮性、公正性、可解释性、问责制和联邦）和 30 多个计算 FL 模型信任度水平的度量标准，并设计了一个算法 FederatedTrust，可以计算 FL 模型的信任度得分。通过在不同联邦配置下使用 FEMNIST 数据集进行的四个实验，展示了计算 FL 模型信任度的 FederatedTrust 的实用性。

Feb, 2023