Jul, 2019

移动众感中的隐私保护联邦极限提升

PDF
TL;DR本研究提出了一种名为 FedXGB 的方案，采用新的安全聚合方案来解决关于秘钥控制的问题，并将安全聚合方案应用于 XGBoost 分类和回归树的构建中，实现了良好的效果和效率。
federated learninghomomorphic encryptionfedxgbsecure aggregationxgboost
发现论文，激发创造
  • FheFL：支持全同态加密的拜占庭用户隐私保护联邦学习

    本文提出了一种基于全同态加密的联邦学习新方案，在保护用户隐私的同时有效应对了数据毒化攻击，保证了安全性、隐私性、收敛性以及在可接受的计算成本下取得了可比较的准确率。

    Jun, 2023

  • 大规模安全 XGB 竖直联邦学习

    本研究旨在在垂直联合学习设置下构建大规模安全的梯度树提升模型，并从多个方面保证数据隐私，包括采用安全的多方计算技术、分布式存储输出模型以最小化信息泄露，以及提供一种新的算法用于在分布式模型上进行安全的梯度树提升模型预测。通过提出安全置换协议，我们可以提高训练效率并使框架扩展到大型数据集。在公共数据集和真实世界数据集上进行了广泛的实验，结果表明，我们提出的 XGB 模型不仅具有竞争性的准确性，而且具有实用性能。

    May, 2020

  • 参与者之间的数据连接：通过联邦学习评估地质能源的潜力

    该研究提出了一种基于 XGBoost 模型的新颖联邦学习（FL）框架，通过安全的协作建模实现多方可访问但隐藏数据的收集，通过贝叶斯优化实现模型的超参数调优，并通过比较分析证明 FL-XGBoost 方法在地能量领域的二元分类问题中取得了合适的平衡，FL 模型展现了优越的准确性和泛化能力，对于数据有限或相关性较低的参与者而言，相比于单独模型，提供了显著的隐私优势，FL 协议内的聚合优化方法在超参数调优方面表现有效。这项研究开辟了通过协作和隐私保护的 FL 技术评估非传统储层的新途径。

    Apr, 2024

  • 可学习学习速率的无梯度联合梯度提升树

    提出一种水平联邦 XGBoost 的创新框架，通过使聚合树模型的学习率可学习，从而不依赖于梯度共享，同时提高隐私和通信效率，降低通信轮数和开销，并在各种数据集上进行了广泛评估。

    Apr, 2023

  • 安全聚合的高效垂直联邦学习

    本文提出了一种使用最先进的安全模块进行安全和高效的垂直联邦学习的新方法，与同态加密（HE）相比，该方法提供了 9.1e2〜3.8e4 的加速，同时不影响训练性能。

    May, 2023

  • 非同态加密能提升联邦学习

    传统的人工智能方法需要集中的数据收集，而联邦学习（FL）提供了一种在不收集原始数据的情况下进行分布式人工智能模型训练的范例。本文提出了一种创新的框架，将基于排列的压缩机与传统密码学结合起来，用更便宜的传统密码学原语取代同态加密（HE），以提供训练过程的安全性，并促进异步通信和灵活的部署选项。

    Dec, 2023

  • 联邦学习中高效且具有多重私密性的安全聚合算法

    为了解决隐私泄漏等问题，我们提出了一种用于联邦学习的高效多私钥安全聚合方案，使用修饰版 ElGamal 加密技术实现同态加法操作，加密性能高，同时能够保证数据的安全性，具有容错性。

    Jun, 2023

  • 具有贝叶斯隐私的联邦深度学习

    通过提出的 Bayesian Privacy 框架，本文的研究成功地量化了隐私损失，证明了其安全的隐私保护能力，通过各种深度神经网络图像分类 MNIST、CIFAR10 和 CIFAR100 的实验结果，演示了一种新的联邦深度学习方法，该方法使用私有通行证层，具有高模型性能、隐私保护能力和低计算复杂性的特点。

    Sep, 2021

  • 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

  • 通过约束多目标联邦学习优化 SecureBoost 的超参数

    为了解决 SecureBoost 及其变种在隐私泄露方面的漏洞问题，我们提出了一种名为 Constrained Multi-Objective SecureBoost (CMOSB) 的算法，旨在实现在模型效果、训练成本和隐私泄露之间取得最佳平衡的一组超参数集合。

    Apr, 2024