May, 2020

可实现隐私保护的双阶段多方计算联邦学习

PDF
TL;DR本文介绍了一种称为联邦学习的新机器学习方法，并使用多方计算来实现 FL 模型的隐私保护模型聚合，以实现在 IoT 智能制造平台中利用各自数据集进行联合训练的效果。
federated learningmulti party computationprivacyiotsmart manufacturing
发现论文，激发创造
  • 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

  • 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

  • 用于保护联合学习管理系统的智能政策控制

    本文提出了一个基于智能合约的政策控制方法来保障联邦学习管理系统的安全，该方法的目的是管理机器学习模型的访问和验证其完整性，保证参与联邦学习的各方在训练和评估过程中遵循相同的规则。实验证明，该方法是可行的且有效的。

    May, 2023

  • 使用 TensorFlow 进行基因组数据隐私保护协作机器学习

    研究利用安全多方计算技术，设计和实现了多个安全多方计算友好的机器学习基元，包括类别权重调整和可并行近似激活函数，以解决在基因组研究中由于涉及到多方数据协作，数据隐私和机密性等问题。该研究在 iDASH2019 安全基因组分析竞赛的第四组别获得第一名。

    Feb, 2020

  • CaPC Learning: 保密和私密的协同学习

    我们提出一种名为 CaPC 的机器学习方法，通过使用安全的多方计算和同态加密等技术，实现在协作学习环境中同时满足数据保密性和隐私性的要求，各方不需要显式地加入其培训集或训练集中央模型，且每个参与者都能够获得更高的准确性和公正性。

    Feb, 2021

  • 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

  • 多联邦学习：使用分散的联邦学习处理包容性非独立同分布数据

    多联邦学习是一个去中心化的联邦学习框架，旨在解决非独立同分布数据的问题，并通过维护多个模型并行进行收敛，以增强适应性。

    Apr, 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

  • 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

  • 隐私保护的个性化联邦学习患者聚类

    我们提出了一种隐私保护的基于社区的联邦机器学习 (PCBFL) 框架，通过使用安全的多方计算技术，在保护隐私的情况下利用患者级别数据来聚类患者并训练模型。PCBFL 在低、中、高风险患者的临床上表现出显著改进，并且性能优于传统和现有的聚类型联邦学习框架，平均 AUC 提高 4.3％，AUPRC 提高 7.8％。

    Jul, 2023