Jan, 2023

基于去中心化人工智能的数据共享协调：集体隐私恢复

PDF
TL;DR通过去中心化人工智能，对数据集体进行自动化协调和规模化，我们在涉及超过 27,000 个数据分享选择的严谨实验中，比较了态度、内在、奖励和协调数据分享方面的不同标准并确定了五种关键的数据分享行为。通过因果推断和聚类分析，我们证明了数据分享协调是所有人的双赢，人们可以实现明显的隐私恢复，服务提供者则可以降低成本。
collective privacy losspersonal datadata collectivedecentralized artificial intelligencedata-sharing behavior
发现论文，激发创造
  • 隐私意识智能体中的群体决策

    如何在个人的隐私需求和安全顾虑中实现个体之间的信息交流以彼此学习？通过采用严格的统计担保，基于差分隐私（DP）控制信息泄露，我们使得保护个人隐私和实现高效社会学习成为可能。我们的研究结果揭示了在质量、学习准确性、通信成本和个体隐私保护水平之间在有限和无限信号环境下的权衡性质。

    Feb, 2024

  • 联邦机器学习中的隐私和信任重新定义

    本文介绍了一种基于分布式身份技术的隐私保护的分散工作流，用于促进参与者之间可信的联邦学习，限制只有获得适当机构发放的可验证凭证的实体才能建立安全、经过认证的通信渠道，参与与心理健康有关的联邦学习流程。

    Mar, 2021

  • 使用分散聚合进行具有差分隐私的联邦学习

    移动设备、隐私、实用性、联邦学习和差分隐私是该研究的主要关键词，研究通过在联邦学习中采用差分隐私的实验环境并使用基准数据集来探讨隐私与实用性之间的平衡问题。

    Nov, 2023

  • 使用数据协作分析的隐私保护推荐系统

    建立了一个隐私保护推荐系统的框架，通过对分布式数据集的数据协作分析，改进了分布式数据集的评级预测准确性。

    May, 2024

  • 隐私保护机器学习的分布式信任框架

    本文介绍了一种分布式基础设施，用于实现分布式代理之间的点对点信任，从而协同执行保护隐私的机器学习工作流程。使用 Hyperledger Aries，Decentralised Identifiers (DIDs) 和 Verifiable Credentials (VCs) 建立了一个分布式信任体系，促进与心理健康护理相关的联邦学习工作流程。

    Jun, 2020

  • 合作多智能体规划中的差分隐私

    提出一个保护多智能体系统的隐私的框架，通过应用差分隐私机制来保障多智能体间的通信，并分析隐私强度和团队表现之间的权衡，进而综合出了一种鲁棒性好的策略，该策略将总相关度的价值减少，使得在私有和非私有通信实现下团队表现的差别仅为 3％。

    Jan, 2023

  • 个性化和私密的点对点机器学习

    本文提出了一种高效的分散式（点对点）和异步算法来解决个性化模型的学习，同时满足强隐私要求，并证明了它的收敛速率。我们展示了如何使算法往常差异保持私密以保护个人数据集的信息披露，并正式分析了效用和隐私之间的权衡。实验结果表明，在非私密约束下，我们的方法大大优于以前的工作，在隐私约束下，我们可以显著改进在独立学习中得到的模型。

    May, 2017

  • 协同网络安全编排：分布式隐私保护威胁情报共享的安全框架

    提出了一种基于隐私增强技术和联邦处理的新框架，用于从分布式数据中提取 CTI，并且演示了它在多种实际场景中的应用。

    Sep, 2022

  • 不分享的关爱：一种联邦学习众感知框架，用于增加城市代表性的多样性

    通过移动众包感知，提出一种隐私保护的协作学习框架，可用于推广以改善社会各个方面的服务，案例研究展示了该框架的功能，包括使用视觉算法来改善视障人士的导航。

    Jan, 2022

  • 使用差分隐私合成双胞胎数据在分布式数据中进行合作学习

    通过共享差分私有合成数据，利用合成数据集进行协同学习可以帮助不同方参与者更准确地估计目标统计数据，尤其对包含代表性不足群体数据的参与者，共享合成数据特别有助于做更好的分析。

    Aug, 2023