Aug, 2019

PrivFT: 具有同态加密的私密快速文本分类

PDF
TL;DR本文提出了一种使用全同态加密技术 (Fully Homomorphic Encryption, FHE) 来实现隐私保护文本分类的高效方法，旨在在不泄漏数据隐私的前提下，保持预测准确性。
privacy-preserving analyticsfully homomorphic encryptiontext classificationsupervised modelencrypted dataset
发现论文，激发创造
  • 基于同态加密的 BERT 嵌入隐私保护文本分类

    该研究提出了一种基于同态加密的对嵌入向量进行隐私保护的机制，避免在文本分类过程中可能泄漏文本中的敏感属性信息，且大部分保留向量嵌入的实用价值。

    Oct, 2022

  • 基于全同态加密的隐私保护深度神经网络机器学习

    本文使用了 RNS-CKKS FHE 技术及 bootstrapping 策略，并采用最新的近似方法来评估非算术函数，成功实现了对 CIFAR-10 数据集上的 ResNet-20 模型进行 FHE 加密计算，并经过数值验证，得出分类准确率达到了 90.67%。

    Jun, 2021

  • 基于全同态加密的树型隐私推断

    本文介绍了使用 Fully Homomorphic Encryption 应用于基于树的数据模型，通过 Concrete-ML 库在加密选项卡 ular 数据上得到最先进的解决方案，此方法适用于决策树，随机森林和梯度提升树等广泛使用的基于树的模型，而且在准确性方面与未受保护版本非常接近。

    Feb, 2023

  • 用于加密数据的高效 CNN 建模块

    本文介绍充分同态加密 (Fully Homomorphic Encryption, FHE) 在机器学习中的应用，针对现有文章只关注于数据安全而忽略模型参数的安全问题，以及高层级的实现不提供对深度卷积神经网络 (CNNs) 中的卷积、非线性激活和汇聚等常见操作的精确性、安全性和速度之间权衡问题，基于 CKKS 算法，提出了使用 FHE 保护输入数据和模型参数的 MLaaS 机制，并在经典的 MNIST 数据集上进行了实现和测试，结果表明设计参数选择会在正确性、安全和计算时间之间产生重要影响，同时还强调了其他设计选择如密文打包策略和多线程并行化也对推断过程的吞吐量和延迟产生了重要影响

    Jan, 2021

  • 基于完全同态加密的机密保护疾病分类器

    我们提出了一种结合完全同态加密和深度学习的框架，用于安全和私密的诊断系统，通过在加密输入数据上处理问题与回答的模型，实现了严格的安全性和隐私保护，同时在性能上几乎没有损失。

    May, 2024

  • 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

  • 加密 Fine-tuning 变压器：使用完全同态加密

    通过在完全同态加密数据上进行的训练，提出了 BlindTuner 这一隐私保护的 Fine-Tuning 系统，用于图像分类，并证实其在准确性上与非加密模型相当，并且相对于先前研究在速度上有 1.5 倍至 600 倍的显著提升。

    Feb, 2024

  • 具有转移学习的隐私保护卷积神经网络训练

    这篇论文提出了一种基于同态加密技术的隐私保护卷积神经网络训练的实现解决方案，并应用转移学习简化了 CNN 的训练问题。

    Apr, 2023

  • HETAL：具有同态加密的高效隐私保护迁移学习

    HETAL 是一种高效的基于同态加密的迁移学习算法，通过使用 CKKS 同态加密方案对客户数据进行加密，并采用基于验证的早停方法，实现了对客户隐私的保护，并达到了非加密训练的准确性。

    Mar, 2024

  • 使用 TFHE 对加密数据进行神经网络训练

    使用全同态加密的方法实现神经网络的训练外包，以保护数据的机密性，可以在加密的数据上进行统一的训练，并学习量化的神经网络模型。数据可以在多个参与方之间进行水平或垂直分割，从而实现机密数据的合作。研究在多个数据集上训练逻辑回归和多层感知机。

    Jan, 2024