SCOTCH: 一种高效的安全计算框架，用于安全聚合

AAAIJan, 2022

SCOTCH: 一种高效的安全计算框架，用于安全聚合

SCOTCH: An Efficient Secure Computation Framework for Secure Aggregation

Yash More, Prashanthi Ramachandran, Priyam Panda, Arup Mondal, Harpreet Virk...

TL;DRSCOTCH 是一种分散式多方安全計算架構，可以在分散式學習上實現強隱私保護且具有低通信開銷以及良好的性能，通过在神经网络上实现有效的差分隐私，同时可以在 MNIST 和 ExtendedMNIST（数字）数据集上分别实现 96.57% 和 98.40% 的准确率。

Abstract

federated learning enables multiple data owners to jointly train a machine learning model without revealing their private datasets. However, a malicious aggregation server might use the model parameters to derive sensitive information about the training dataset used. To address such le

federated learning privacy-preserving secure-computation machine learning decentralized

发现论文，激发创造

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

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

FastSecAgg: 面向隐私保护的联邦学习可扩展安全聚合

本文提出了一种高效且具有鲁棒性的安全聚合协议 FastSecAgg，该协议基于快速傅里叶变换的新型多秘密分享方案 FastShare，可在保障数据隐私的同时，显著降低了计算和通信成本。FastSecAgg 可以有效地防范恶意攻击，使得在联邦学习场景下，客户端的模型数据可以更加安全地聚合到服务端进行更新。

Sep, 2020

混洗模型下的可扩展差分隐私分布式聚合

该论文提出了一个在混淆模型下更高效的隐私安全的聚合协议，可以使得通信量和误差只呈对数级增长，并且采用了一个称为 ' 隐身斗篷 ' 的新技术来实现此目的，该技术可以使得每个数据项与噪声几乎不可区分，同时对总和不会造成任何扭曲。

Jun, 2019

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

用户数据联邦学习的实用安全聚合

本文设计了一种新的通信有效的安全聚合协议，适用于在移动设备上跨用户训练数据使用分布式随机梯度下降算法进行联邦学习模型的训练，从而保护每个用户的模型梯度，并且在大规模的高维数据上具有较好的性能表现。

Nov, 2016

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

联邦学习的聚合服务：高效、安全、更具韧性的实现

本文介绍了一个基于轻量级加密和数据混淆的联邦学习系统，结合恰当的带宽效率优化和对云服务器主动攻击的安全保护机制，在保证客户端数据隐私的前提下，整合来自多源的数据进行联合训练，并在多项数据集（MNIST、CIFAR-10、CelebA）上验证该系统的可行性及精度。

Feb, 2022

在联邦学习中防范多轮隐私泄露：保障安全聚合

本研究提出一种具有多轮隐私保障的安全聚合框架，包括一个新的衡量指标来量化联邦学习的隐私保证，并开发了一种结构化的用户选择策略来保证每个用户的长期隐私（在任意数量的训练轮次下），并在 MNIST 和 CIFAR-10 数据集上进行了实验。

Jun, 2021

安全聚合无法抵御成员推断攻击

在这篇论文中，我们通过将其视为每个本地更新的局部差分隐私机制，深入探讨了 SecAgg 的隐私影响。我们设计了一种简单的攻击方式，其中一个对抗性的服务器试图在 SecAgg 下的单一训练轮中辨别客户端提交的两个可能的更新向量之一。通过进行隐私审计，我们评估了该攻击的成功概率，并量化了 SecAgg 提供的局部差分隐私保证。我们的数值结果揭示，与普遍的声明相反，即使在单一的训练轮中，SecAgg 在成员推断攻击方面也提供了较弱的隐私。事实上，当高维度更新时，很难通过添加其他独立的本地更新来隐藏一个本地更新。我们的发现强调了在联邦学习中需要额外的隐私增强机制，比如噪声注入。

Mar, 2024