HybridAlpha: 面向隐私保护的联邦学习高效方案

Dec, 2019

HybridAlpha: 面向隐私保护的联邦学习高效方案

HybridAlpha: An Efficient Approach for Privacy-Preserving Federated Learning

Runhua Xu, Nathalie Baracaldo, Yi Zhou, Ali Anwar, Heiko Ludwig

TL;DR本文介绍了一种基于功能加密的安全多方计算协议，采用混合 Alpha 方法实现隐私保护联邦学习，可以在保证模型性能和隐私保障的前提下，减少了 68% 的训练时间和 92% 的数据传输量。

Abstract

federated learning has emerged as a promising approach for collaborative and privacy-preserving learning. Participants in a federated learning

federated learning privacy-preserving learning differential privacy secure multi-party computation functional encryption

发现论文，激发创造

隐私保护联邦学习的混合方法

本文提出了一种结合差分隐私和安全多方计算的联邦学习方法，在保证训练和最终模型的隐私性的同时，也能够保持较高的预测准确率，这个系统不仅能应用于多种机器学习模型的训练，而且在实验上验证了它的优越性。

Dec, 2018

基于聚类的联邦学习组件中的组内安全多方计算在组织病理学图像中的应用

本文提出一种隐私保护的联邦学习框架，采用安全多方计算的方式，将医院分为不同簇，通过局部训练和参数交换，实现共同学习模型而无需共享患者私人数据，并通过公开数据的实验结果表明，与差分隐私相比，该框架可以以更高的准确度达到无隐私泄露的效果，但通信开销较高。

Aug, 2022

金融异常检测的垂直和水平分割数据上的隐私保护联合学习

我们提出了一种新颖的解决方案 PV4FAD，它结合了全同态加密 (HE)、安全多方计算 (SMPC)、差分隐私 (DP) 和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。

Oct, 2023

联邦学习中的个性化改善隐私 - 准确性权衡

研究分布式机器学习系统，并基于修正的随机优化算法实现私人级联学习，在保证局部模型私密性的同时，与全局模型进行协调，提升了准确性和隐私保护的平衡。

Feb, 2022

联邦学习的通信 - 计算高效安全聚合

提出使用稀疏随机图而非完全图来设计共享节点拓扑的低复杂度方案，在保证可靠性和隐私性的前提下，相对于现有的安全解决方案大幅度降低了通信 / 计算资源使用量。

Dec, 2020

具有遗忘分布式差分隐私的抗串谋联邦学习

本研究提出了一种新的基于分布式差分隐私的隐私保护联合学习方法，其可以有效避免联合攻击，以及 “Sybil” 攻击，并给出了相应的安全性证明。在模拟的 5000 个分布式网络客户端上的实验结果表明，该协议执行速度快，学习准确率高，且具有良好的隐私保护性能。

Feb, 2022

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

一个带隐私保护学习的图联邦架构

此论文介绍了图联邦学习，这是一种多服务器联邦学习方案，使用密码学和差分隐私概念来保护隐私数据，并证明在特定条件下可以匹配非私有算法的性能。

Apr, 2021

通过本地训练增强联邦学习中的隐私保护

通过提出联邦私有局部训练算法（Fed-PLT），本文解决了联邦学习中昂贵的通信和隐私保护等挑战，通过局部参与和训练，在中央协调员和计算代理之间显著减少通信轮次，实现了局部训练对准确性的无影响匹配。同时，代理具有从不同局部训练求解器中选择的灵活性，如（随机）梯度下降和加速梯度下降，还探讨了如何利用局部训练来增强隐私，并推导了差分隐私边界及其与局部训练轮次的依赖关系，通过理论分析和分类任务的数值结果与其他技术进行比较，评估了所提算法的有效性。

Mar, 2024

保密联邦计算

该研究论文介绍了一种新颖的系统架构，利用可信执行环境 (TEEs) 和开放源代码，既确保了服务器端计算的机密性，又提供了外部可验证的隐私属性，增强了私有联邦计算的稳固性和可信度。

Apr, 2024