Jun, 2023

差分隐私对一些群体智能算法可能具有优化效果，除了保护隐私方面

PDF
TL;DR本文提出了一种综合使用差分隐私和群体智能算法（DPSIAF）的框架，并将其应用于四种广泛使用的群体智能算法，研究结果表明该框架具有表现良好的隐私保护，其性能并不会严格受到隐私预算的影响，并且在某些情况下甚至比其非私有版本更优秀，为差分隐私领域提供了新的思路，并促进了元启发式优化和隐私计算之间的合作关系。
differential privacyswarm intelligencemachine learningprivacy computingmetaheuristic optimization
发现论文，激发创造
  • DPSNN：差分隐私尖峰神经网络

    本研究将差分隐私算法和尖峰神经网络相结合，提出了差分隐私尖峰神经网络 (DPSNN) 来实现强隐私保护和高准确性的权衡。实验结果表明，相较于人工神经网络，DPSNN 在隐私保护方面的表现不变，在精度有所提升。

    May, 2022

  • 基于模拟退火的差分隐私随机梯度下降算法

    本文提出了一个基于模拟退火算法的差分隐私随机梯度下降（SA-DPSGD）方案，该方案通过对候选更新进行概率筛选，使得梯度下降朝着正确方向进行，并最终获得更准确的模型。在 MNIST、FashionMNIST 和 CIFAR10 数据集上进行的实验结果表明，与现有方法相比，本文提出的方案更为有效。

    Nov, 2022

  • 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

  • 采样机制下的个性化 DP-SGD

    基于个性化采样机制的深度学习 DP-SGD 扩展算法，支持针对不同用户的个性化差分隐私保护，实验证明其性能和效率优于现有的 DP-SGD 和 PDP 机制。

    May, 2023

  • 差分隐私：什么是所有的噪音？

    本文概述了隐私保护的形式定义 Differential Privacy 在数据处理中提供严格保证的重要思想、概念和应用，特别关注它在机器学习和联邦学习领域的交叉应用。

    May, 2022

  • 隐私保护的分布式优化与学习

    分布式优化和学习中的隐私保护方法进行了综述，介绍了密码学、差分隐私等技术，并提出利用差分隐私算法来确保隐私和优化准确性，在多个机器学习问题中得到实际应用验证。同时探讨了该研究领域的挑战和未来方向。

    Feb, 2024

  • 基于共识算法的差分隐私分散深度学习

    本研究提出了一种基于不同隐私的分散式深度学习方法，该方法对协作学习的数据进行隐私保护，保障节点之间数据的安全交换。实验结果表明，在稀疏图和不均匀数据分布下，不同隐私梯度跟踪具有抗干扰性，并且可在不向其他代理共享原始数据的情况下学习高准确性模型。

    Jun, 2023

  • 差分隐私数据合成方法比较研究

    本研究探讨了当前的差分隐私数据合成技术对于发布原始数据的个人级别代理数据的技术概念，以及通过广泛的模拟研究评估每种数据合成技术的统计效用和推断属性，为不公开数据的发布提供了差分隐私的实际可行性和效用，同时提出了未来的研究方向。

    Feb, 2016

  • LazyDP: 协同设计算法 - 软件以实现可扩展训练差分私有推荐模型

    本研究通过对 DP-SGD 进行详细的特性分析，提出了 LazyDP 算法与软件协同设计，解决了使用 DP-SGD 训练推荐系统时的计算和内存挑战，从而大幅提高训练吞吐量同时确保数学上等效的差分隐私推荐系统模型。

    Apr, 2024

  • 个性化隐私分配 —— 基于 DP-SGD 的方案

    本文介绍了一种名为 IDP-SGD 的变体 DP-SGD 方法，它支持个性化隐私预算，旨在实现不同用户数据的个性化隐私保护，并通过提高隐私效益权衡的方法得到实证结果。

    Mar, 2023