Apr, 2021

PPFL: 基于可信执行环境的隐私保护联邦学习

PDF
TL;DR该论文提出并实现了一种基于隐私保护联合学习（PPFL）的框架，旨在通过利用受信任的执行环境（TEEs）对客户端进行本地训练，通过 TEEs 对服务器进行安全聚合，从而在联合学习中限制隐私泄漏，并达到显著的隐私保护与可比较的模型效用提升。
privacy-preserving federated learningtrusted execution environmentslocal trainingsecure aggregationprivacy improvement
发现论文，激发创造
  • PPBFL：一种基于区块链的隐私保护联邦学习模型

    利用区块链和差分隐私技术，提出一种隐私保护的基于区块链的联邦学习模型（PPBFL），以增强联邦学习的安全性并促进节点在模型训练中的积极参与。通过将模型参数存储在 IPFS 中，区块链确保模型参数不会被篡改，并同时采用一种新颖的自适应差分隐私添加算法来保护本地模型和全局模型的隐私，以防止大量本地模型对全局模型安全性的影响。此外，引入了一种新的混合交易机制，以更好地保护本地训练客户的身份隐私。安全分析和实验结果表明，PPBFL 在模型性能和安全性方面优于基线方法。

    Jan, 2024

  • 联邦学习中的隐私保护聚合：一项调研

    这项研究回顾了在联邦学习系统中应用的 PPAgg 协议，并对构建 PPAgg 协议的优缺点进行了广泛分析，同时讨论了支持 PPAgg 的开源 FL 框架，强调了将 PPAgg 应用于 FL 系统并将其与其他技术相结合以进一步提高安全性的重要挑战和未来研究方向。

    Mar, 2022

  • PPFL: 面向异构人群的个性化联邦学习框架

    在本文中，我们基于联邦学习的范式，通过使用规范模型来捕捉异质人群的基本特征并利用会员向量揭示客户的偏好，开发了一个灵活且可解释的个性化框架 PPFL（Population Personalized Federated Learning），并探索了与多任务 PFL、聚类 FL 和解耦 PFL 三个主要分支的关系，证明了 PPFL 的优势。我们提出了一个新颖的随机块坐标下降算法来解决 PPFL（一个非凸约束优化问题）并给出了收敛性质。通过在病理数据集和实际数据集上进行实验，结果验证了 PPFL 的有效性。

    Oct, 2023

  • 个性化联邦学习基于堆叠

    使用堆叠泛化的新型个性化方法，在保护隐私的情况下，直接发送模型来训练元模型，并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术，从而创建更适合个体客户数据的多个模型，并通过多方面评估每位客户对联邦的贡献。

    Apr, 2024

  • APPFLx：以服务方式提供隐私保护的跨场所联邦学习

    通过引入 APPFLx，实现跨领域隐私保护联邦学习作为一种服务的平台，并采用 Globus 认证，实现容易且安全地邀请值得信赖的合作者进行隐私保护联邦学习，并实现多种同步和异步的联邦学习算法，简化联邦学习实验启动过程，实现联邦学习实验的生命周期跟踪和可视化，使领域专家和机器学习从业者能够在一个平台上轻松协调和评估跨领域联邦学习。

    Aug, 2023

  • PFA：隐私保护联邦适应以实现模型有效个性化

    本文介绍了一种名为 PFA 的新框架，旨在以联邦方式实现更好的个性化结果。PFA 利用神经网络的稀疏性生成隐私保护表示，并使用这些表示来高效识别具有相似数据分布的客户端，从而进行分组并在联邦模型上进行群体式联邦学习来完成自适应过程。该框架能够保障客户端隐私，并在多个 FL 数据集上通过实验证明了其有效性和优越性。

    Mar, 2021

  • 联邦基础模型：大型模型的隐私保护和协同学习

    本文介绍了一种结合了联邦学习和基础模型的隐私保存方法，即联邦基础模型，其中涉及该方法的不同方面和任务，以及与传统基础模型的比较和实验。

    May, 2023

  • pfl-research：用于加速私有联邦学习研究的仿真框架

    Federated learning 是一种新兴的机器学习训练范例，其通过在模拟环境中迭代实验来快速提出想法，pfl-research 是一个快速、模块化、易于使用的 Python 框架，支持 TensorFlow、PyTorch 和非神经网络模型，并与最先进的隐私算法紧密结合，研究表明它比其他开源框架快 7-72 倍，大大提高了 FL 研究社区的生产效率，同时使先前的资源密集型任务成为可能。

    Apr, 2024

  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • 具有内在隐私的通信和能源高效的无线联邦学习

    本文提出了一种无线边缘私有联邦学习方案 PFELS，通过奇异值稀疏化降低通信通信和能源消耗，提高交付速度，保证客户端级别的差分隐私，实现共享全局模型过程中的隐私安全保障。实验结果表明，与现有技术相比，PFELS 在保持同等差分隐私保障的同时能提高准确率和节省通信和能源成本。

    Apr, 2023