FheFL：支持全同态加密的拜占庭用户隐私保护联邦学习

Jun, 2023

FheFL：支持全同态加密的拜占庭用户隐私保护联邦学习

FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users

Yogachandran Rahulamathavan, Charuka Herath, Xiaolan Liu, Sangarapillai Lambotharan, Carsten Maple

TL;DR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。

Abstract

The federated learning (FL) technique was initially developed to mitigate data privacy issues that can arise in the traditional machine learning paradigm. While FL ensures that a user's data always remain with th

federated learning privacy encryption homomorphic encryption data poisoning

发现论文，激发创造

非同态加密能提升联邦学习

传统的人工智能方法需要集中的数据收集，而联邦学习（FL）提供了一种在不收集原始数据的情况下进行分布式人工智能模型训练的范例。本文提出了一种创新的框架，将基于排列的压缩机与传统密码学结合起来，用更便宜的传统密码学原语取代同态加密（HE），以提供训练过程的安全性，并促进异步通信和灵活的部署选项。

Dec, 2023

H-FL：面向联邦学习的分层通信高效和隐私保护体系结构

本文提出了一种名为分层联邦学习（H-FL）的新框架，通过运行时分布重构策略，利用中介将客户端重新分配并重新安排客户端的本地训练，设计了一种压缩校正机制，同时不牺牲模型性能，降低通信开销，引入局部训练的差分隐私，注入适量的噪声到完整模型的一部分中，从而提供隐私保障，在真实的图像识别任务的不同数据集上实验结果表明，我们的 H-FL 框架实现了最先进的性能。

Jun, 2021

同态加密对联邦学习生成对抗网络训练性能的影响

本研究主要探讨使用部分同态加密、有些同态加密、完全同态加密以及多方计算等隐私保护技术训练分布式生成对抗网络的性能损失。通过实验结果表明，加密方法越复杂，训练时间越长，隐私保护技术对性能有一定的影响。

Jul, 2022

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

B^2SFL：一种用于安全联邦学习基于交通预测的双层区块链架构

本文提出了一个基于双层区块链架构的安全联合学习交通预测系统，使用分布式同态加密联合平均方案解决了安全计算问题，并通过实验证明了系统在在线交通流量预测任务中的性能和准确性。

Oct, 2023

安全聚合的高效垂直联邦学习

本文提出了一种使用最先进的安全模块进行安全和高效的垂直联邦学习的新方法，与同态加密（HE）相比，该方法提供了 9.1e2〜3.8e4 的加速，同时不影响训练性能。

May, 2023

金融异常检测的垂直和水平分割数据上的隐私保护联合学习

我们提出了一种新颖的解决方案 PV4FAD，它结合了全同态加密 (HE)、安全多方计算 (SMPC)、差分隐私 (DP) 和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。

Oct, 2023

公平差分隐私联邦学习框架

通过应用裁剪技巧与高斯机制来解决不包含验证数据的公平差分私有联邦学习框架的可能出现的偏见更新问题，同时审查了隐私和公平性在联邦学习中的相关工作，并强调了 MITIGATE 偏见和确保隐私的最新进展和方法。

May, 2023

混合精度量化解决联邦学习中的梯度泄露攻击

研究提出了混合精度量化 FL 方案作为反制措施，该方案可解决加密密钥的生成过程由于客户端数量增加而变得繁琐的难题，同时通过量化不同精度不同模式中深度模型的不同层，使该方案具有更多的鲁棒性，实证分析证明，应用量化后全局模型的准确性仅有轻微下降。

Oct, 2022

移动众感中的隐私保护联邦极限提升

本研究提出了一种名为 FedXGB 的方案，采用新的安全聚合方案来解决关于秘钥控制的问题，并将安全聚合方案应用于 XGBoost 分类和回归树的构建中，实现了良好的效果和效率。

Jul, 2019