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

PDF
TL;DR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。
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

  • 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

    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。

    May, 2023

  • 在受限多目标联合学习中优化隐私、效用和效率

    本文旨在通过开发二种基于 NSGA-II 和 PSL 算法的改进型多目标优化算法，实现联邦学习系统的多目标优化，包括模型性能最大化，隐私泄露和培训成本最小化以及对恶意攻击的鲁棒性，并在保证模型性能的同时，优化三个主要目标：隐私泄露、效用损失和培训成本。我们还对三种隐私保护机制 (随机化、批量加密和稀疏化) 进行了比较，并使用实验验证了算法的有效性.

    Apr, 2023

  • 在联邦学习框架下维护隐私和安全

    通过模拟结果，本文分析了联邦学习中的隐私和安全问题并提出了保护数据隐私的挑战。

    Sep, 2019

  • 联邦学习的博弈理论框架

    提出一种基于博弈论的安全模型，考虑了联邦学习中的隐私泄漏问题和防御者与攻击者的策略问题，通过引入一个神谕作为协调者，优化参与者的收益和隐私泄漏风险。

    Apr, 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

  • 联邦信任：可信联邦学习的解决方案

    该研究分析了联邦学习中信任度评估的现有要求，提出了六个支柱（隐私、强壮性、公正性、可解释性、问责制和联邦）和 30 多个计算 FL 模型信任度水平的度量标准，并设计了一个算法 FederatedTrust，可以计算 FL 模型的信任度得分。通过在不同联邦配置下使用 FEMNIST 数据集进行的四个实验，展示了计算 FL 模型信任度的 FederatedTrust 的实用性。

    Feb, 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

  • 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

  • 隐私敏感领域中联合学习的互惠证明

    通过实现隐私保障和最终模型准确性之间的平衡，本文研究了何时以及如何设计一种对所有参与者都有利的联邦学习协议，并给出了在均值估计和凸随机优化等背景下存在互惠协议的必要和充分条件。此外，本文还设计了最大化最终模型准确性的协议，并通过合成实验验证了其优势。

    Mar, 2024