May, 2019

联邦森林

PDF
TL;DR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。
privacy-preserving machine learningfederated forestcross-regional machine learning systemdata privacydata security
发现论文，激发创造
  • 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

  • 联邦机器学习中的隐私和信任重新定义

    本文介绍了一种基于分布式身份技术的隐私保护的分散工作流，用于促进参与者之间可信的联邦学习，限制只有获得适当机构发放的可验证凭证的实体才能建立安全、经过认证的通信渠道，参与与心理健康有关的联邦学习流程。

    Mar, 2021

  • 联邦学习：在数据智能和隐私之间取得平衡

    本文提供了一种系统的概述和分类，涵盖了联邦学习的现有安全挑战以及针对数据污染，推断攻击和模型毒化攻击的防御技术。此外，还探讨了处理非独立同分布数据、高维度问题和异构架构的联邦学习的当前训练挑战，并提出了解决相关挑战的几种解决方案。最后，我们讨论了联邦学习训练中剩余的挑战，并提出了针对开放问题的研究方向建议。

    Apr, 2022

  • DBFed: 基于领域独立的去偏差联邦学习框架

    为了保护数据隐私并解决联邦学习中的不公平问题，本文提出了一种基于无领域特定语言的去偏差联邦学习框架（DBFed），并通过实验验证其在准确性和公平性等方面的优越性。

    Jul, 2023

  • 联邦数据模型

    利用 Federated Data Model (FDM) 方法开发了一种能够在不同地点之间训练准确且注重隐私的人工智能模型的方法，通过扩散模型学习一处地点的数据特征，并生成可用于其他地点的合成数据，成功地应用于医学图像分割任务。

    Mar, 2024

  • 面部识别系统中保护隐私的联邦学习方法

    通过使用联邦学习（包括有和无安全聚合器）在受监督和无监督的人脸识别系统中进行训练，我们的实验结果表明联邦学习既保护了隐私又实现了与单独模型几乎相同的性能。我们的研究工作揭示了隐私保护的人脸图像训练中的实际挑战，尤其注重隐私和准确性的平衡问题。

    Mar, 2024

  • SecureBoost: 无损联邦学习框架

    本文提出了一种名为 SecureBoost 的隐私保护决策树增强系统，旨在使用联邦学习框架实现数据共享，该框架在不遵守用户隐私的前提下，通过实体对齐和加密来对多方进行决策树增强，并且 SecureBoost 可与其他受欢迎的增强算法实现同样准确率，同时保护每个数据提供者的隐私。

    Jan, 2019

  • 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

  • 隐私保护的联邦脑肿瘤分割

    本文研究采用差分隐私技术以保护病人数据在联邦学习架构中的隐私泄露问题。在对 BraTS 数据集上的脑瘤分割进行实验后，我们发现隐私保护代价与模型性能之间存在权衡。

    Oct, 2019

  • 具备差分隐私的联邦学习用于敏感健康数据

    本文介绍了一种联邦学习框架，可以从不同站点本地持有的分布式健康数据中学习全局模型，提供了两个级别的隐私保护，第一级别的隐私保护不在模型训练过程中移动或共享原始数据，第二级别的隐私保护使用差分隐私机制防止对模型的潜在隐私攻击，并在两个医疗应用程序上对我们的方法进行了全面评估，使用 100 万患者的真实世界电子健康数据，证明了联邦学习框架在提供更高级别的隐私保护和维护全局模型效用方面的可行性和有效性。

    Oct, 2019