May, 2023

通过数据生成和参数扭曲实现隐私保存联邦学习近乎最佳效用

PDF
TL;DR研究在保持隐私的前提下通过数据生成和参数扭曲实现近乎最优效用的条件，提供了一种达到近乎最优效用的途径和相应的保护机制，同时提供了一种隐私与效用之间权衡的交易的上限。
federated learningprivacyutilityparameter distortiondata generation
发现论文，激发创造
  • 基于理论原则的联邦学习 —— 以平衡隐私和效用为目标

    提出一个保护机制的通用学习框架，通过扭曲模型参数保护隐私，可以在联合学习中实现个性化的隐私保护与数据价值间的权衡。在理论和实验证明该算法有效，提高了隐私维护的联合学习方法。

    May, 2023

  • 一种元学习框架用于调整值得信赖的联邦学习中保护机制的参数

    提出了一个以隐私泄露、效用损失和效率降低为权衡因素的优化机制，以保护机制参数为基础，旨在使广泛应用的保护机制达到最佳平衡，包括随机化、同态加密、秘密共享和压缩等多种保护机制。

    May, 2023

  • 联邦学习中效率受限的效用隐私双目标优化的理论分析

    该研究论文系统地提出了一种效率受限的差分隐私联邦学习的双目标优化问题，并针对噪声水平（σ）、通信轮数（T）和样本比例（q）进行了深入的理论分析，通过大量实验验证了分析结果的有效性和实用性，并为差分隐私联邦学习的低成本参数设计提供了宝贵的指导。

    Dec, 2023

  • 联邦学习中的共享内容调查：模型效用、隐私泄露和通信效率的观点

    通过从新的角度，即什么在联邦学习中共享，以模型效用、隐私泄露和通信效率为重点，系统调查了联邦学习方法的新分类、隐私攻击的脆弱性以及不同共享方法的性能与隐私保护的效力，并讨论了当前方法存在的潜在缺陷和未来改进的方向。

    Jul, 2023

  • 关于联邦学习中隐私、公平性和效用之间的权衡

    为了提高联邦学习系统的公平性，本研究使用了公平度量指标构建本地公平模型，并提出了一种隐私保护的公平联邦学习方法。实验结果表明，隐私保护提高了公平模型的准确性，但在隐私、公平和实用性之间存在权衡。

    Nov, 2023

  • RecUP-FL: 用户可配置隐私保护的联邦学习中协调实用性和隐私

    本文提出了一个称为 RecUP-FL 的可配置隐私防御方案，它更好地关注用户指定的敏感属性，同时显著提高了传统防御所需的模型效用，在各种对抗情景下有效防御属性推理攻击和数据重建攻击。

    Apr, 2023

  • 只分享你的表达：保证在联合学习中隐私效用权衡的改进

    使用差分隐私算法减轻联邦学习中的信息泄露风险，提供共识模型的协作更新，同时允许本地个性化，以优化隐私 - 效用权衡问题，并通过实验证明，在小的隐私预算下，相比之前的方法，在图像分类任务中取得显著性能提升。

    Sep, 2023

  • 联邦 PAC 学习

    本文提出了 FedPAC 框架， 一个利用 PAC 学习量化多个指标的统一框架，以找到隐私泄露，效用损失和效率之间的最佳平衡

    Apr, 2023

  • 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

  • 增强稀疏化隐私与自适应优化的联邦学习

    这篇论文提出了一种新的联邦学习框架，采用随机稀疏化和梯度扰动来增强差分隐私保证，结合加速技术减少隐私代价，并利用 Renyi DP 紧密评估端到端 DP 保证。实验结果验证了该方法在隐私保证和通信效率方面的优于之前的方法。

    Aug, 2020