基于隐私保护的联邦学习核方法

Jun, 2023

A Privacy-Preserving Federated Learning Approach for Kernel methods

Anika Hannemann, Ali Burak Ünal, Arjhun Swaminathan, Erik Buchmann, Mete Akgün

TL;DR用于水平分布数据的联邦学习方法 FLAKE，可以保护机密性并高效地计算 Gram 矩阵，从而实现隐私保护的核方法，适用于机器学习和数据挖掘等领域。

Abstract

It is challenging to implement kernel methods, if the data sources are distributed and cannot be joined at a trusted third party for privacy reasons. It is even more challenging, if the use case rules out privacy-preserving approaches that introduce noise. An example for such a use cas

federated learning kernel methods privacy preserving clinical data support vector machines

发现论文，激发创造

FheFL：支持全同态加密的拜占庭用户隐私保护联邦学习

本文提出了一种基于全同态加密的联邦学习新方案，在保护用户隐私的同时有效应对了数据毒化攻击，保证了安全性、隐私性、收敛性以及在可接受的计算成本下取得了可比较的准确率。

Jun, 2023

用集合跨领域知识蒸馏保护联邦学习中的隐私

本文提出了一种基于联邦学习框架的隐私保护和通信高效方法，使用未标记的跨域公共数据进行一次离线知识蒸馏，提出了一种量化和嘈杂的本地预测集成方法，同时保证了强隐私保证和高准确性。

Sep, 2022

隐私保护合奏关注蒸馏的联邦学习

本文提出了一个利用未标记公共数据进行单向离线知识蒸馏的隐私保护联邦学习框架。通过集成注重蒸馏，利用本地知识训练中央模型。我们的技术采用分散和异构的本地数据，显著降低了隐私泄漏的风险。通过图像分类、分割和重构任务的大量实验，证明我们的方法在具有更强的隐私保护的同时实现了非常有竞争力的性能。

Oct, 2022

神经切向核强化联邦学习

该论文提出了一种基于神经切向核的新型联邦学习范式，通过传输比传统联邦学习范式更具表现力的样本级 Jacobian 矩阵，解决了统计异质性的挑战，并进一步开发了一种改进的变体，其在保持相同准确性的情况下，将通信轮数减少了一个数量级。

Oct, 2021

数据无关蒸馏提高联邦胸部疾病分析的效率和隐私

FedKDF 是一种无数据蒸馏的联邦学习方法，通过轻量级生成器从不同客户端中聚合知识，进而实现高效、隐私保护的胸部疾病分析。

Oct, 2023

联邦 K-means 聚类

分散数据集的联邦学习技术可以进行机器学习，而无需数据集合，因此更好地保护数据的隐私和所有权。本研究介绍了一种以联邦方式实现 K-means 聚类的算法，旨在解决中心之间聚类数量变化和在不易分离的数据集上的收敛问题。

Oct, 2023

zkFDL：一种高效且隐私保护的分散式联邦学习方案与零知识证明

基于零知识证明的聚合器 (zkDFL) 使用区块链技术管理聚合算法，以验证进程正确性、增强隐私保护和可扩展性，同时显著降低了燃气成本。

Dec, 2023

隐私保护的量子联邦学习通过梯度隐藏

在分布式量子计算中，隐私保护一直是一个重要挑战，本文提出了两种基于量子状态的联邦学习协议，旨在优化隐私保护措施和通信效率，为高效的基于量子通信的联邦学习协议的发展以及安全的分布式量子机器学习做出了重要贡献。

Dec, 2023

纵向分区数据的联邦双随机核学习

本论文提出了一种名为 FDSKL 的算法，该算法使用随机特征来近似内核映射函数并使用双随机梯度更新解决方案，旨在高效地学习垂直分割的数据而保持数据安全和隐私。实验结果表明，该算法在处理内核时比现有的联合学习方法更快，并保留了类似的泛化性能。

Aug, 2020

低成本零知识证明的安全可验证数据协作

我们提出了一种新颖且高效的解决方案 RiseFL，用于安全和可验证的数据协作，同时确保输入的隐私和完整性。

Nov, 2023