ICLRFeb, 2021

CaPC Learning: 保密和私密的协同学习

PDF
TL;DR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。
machine learningfederated learningconfidentialityprivacymulti-party computation
发现论文，激发创造
  • Pencil: 私密且可扩展的协作学习，无需无合谋假设

    Pencil 是第一种为协作学习提供数据隐私、模型隐私和可扩展性的私有训练框架，无需依赖于非勾结假设。

    Mar, 2024

  • 可实现隐私保护的双阶段多方计算联邦学习

    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。

    May, 2020

  • 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

  • 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

  • 基于加性同态加密的深度神经网络用于非对称协作机器学习

    本文提出一种不对称协作机器学习的实用方案，其中一方拥有数据，另一方仅拥有标签，提出了一种新的保护隐私的架构方案，可以有效地帮助两方合作训练深度学习模型。

    Jul, 2020

  • 面向联邦环境的隐私感知因果结构学习

    本文提出了一种新的联邦学习算法 FedPC，包含两种新的策略，旨在在不集中数据的情况下保护数据隐私，并在联邦学习环境中有效地进行因果结构学习。实验表明，FedPC 对联邦学习环境中的因果结构学习非常有效。

    Nov, 2022

  • CrypTen：安全多方计算与机器学习相遇

    本论文介绍 CrypTen：一种软件框架，通过现代机器学习框架中的常见抽象（如张量计算、自动差分、模块化神经网络）暴露出流行的安全多方计算基元，可执行现代机器学习模型的高效私有评估，并为文本分类、语音识别和图像分类等最新模型提供了一些基准测试。

    Sep, 2021

  • 隐私保护协作机器学习的可扩展方法

    该研究提出了 COPML 算法，这是一个完全去中心化的训练框架，可以保护数据隐私并实现可伸缩性，使用对个体数据进行安全编码的方式在多方之间分发计算负载，并以分布式方式执行训练计算和模型更新。实验演示了 COPML 相较于基准协议在训练速度上可实现高达 16 倍的加速。

    Nov, 2020

  • P4: 私密、个性化和点对点学习

    通过开发 P4（Personalized Private Peer-to-Peer）方法解决个性化学习中的客户聚类和数据隐私的挑战，保证每个客户在培训期间和培训后维护不同的隐私保证，并在多个基准数据集和不同的神经网络模型上展示了相对于差分隐私 P2P 技术的高达 40％的精确度提高。

    May, 2024

  • 私有协同机器学习中的激励机制

    通过差分隐私作为奖励，我们通过引入协作机器学习训练模型，对多个参与方的数据进行价值评估和奖励，并保护隐私风险。实证结果表明，我们的方法在合成和真实数据集上具有有效性和实用性。

    Apr, 2024