Jul, 2023

私密联邦数据分析的可采样匿名聚合

PDF
TL;DR我们重新审视了针对私人统计和私有联邦学习的可扩展协议设计问题，提出了一种简单的原语，允许有效实现多个常用算法，并实现了接近集中式设置中的隐私计算，而无需其所需的强烈信任假设。其次，我们提出了一个实现此原语的系统架构，并对所提议的系统进行了安全性分析。
scalable protocolsprivate statisticsprivate federated learningprivacy accountingsystem architecture
发现论文，激发创造
  • 无线联邦学习中异构集群的隐私聚合

    本文介绍了一种私有集成学习方案，以处理联合学习中的隐私问题，并推导出信息论隐私所需的通信成本的基本限制。

    Jun, 2023

  • 用户数据联邦学习的实用安全聚合

    本文设计了一种新的通信有效的安全聚合协议，适用于在移动设备上跨用户训练数据使用分布式随机梯度下降算法进行联邦学习模型的训练，从而保护每个用户的模型梯度，并且在大规模的高维数据上具有较好的性能表现。

    Nov, 2016

  • 混洗模型下的可扩展差分隐私分布式聚合

    该论文提出了一个在混淆模型下更高效的隐私安全的聚合协议，可以使得通信量和误差只呈对数级增长，并且采用了一个称为 ' 隐身斗篷 ' 的新技术来实现此目的，该技术可以使得每个数据项与噪声几乎不可区分，同时对总和不会造成任何扭曲。

    Jun, 2019

  • 分布式离散高斯机制在带有安全聚合的联邦学习中的应用

    本文提出了一种基于离散高斯和安全聚合的训练模型方法，以保护私有数据。通过数据量化和添加离散高斯噪音，能够实现通信、隐私和准确性之间的复杂平衡，此方法在少于 16 位精度的情况下几乎能匹配集中式差分隐私的准确性水平。

    Feb, 2021

  • 联邦学习的通信 - 计算高效安全聚合

    提出使用稀疏随机图而非完全图来设计共享节点拓扑的低复杂度方案，在保证可靠性和隐私性的前提下，相对于现有的安全解决方案大幅度降低了通信 / 计算资源使用量。

    Dec, 2020

  • 联邦学习算法的效率和隐私的实证研究

    物联网网络和数据处理技术的发展对分布式学习方法中的联邦学习具有巨大潜力，本论文通过两个实例展示了联邦学习在物联网网络中实现高效和保护隐私的机器学习的潜力，并通过模拟研究了隐私和准确性之间的权衡关系。

    Dec, 2023

  • 联邦学习的聚合服务：高效、安全、更具韧性的实现

    本文介绍了一个基于轻量级加密和数据混淆的联邦学习系统，结合恰当的带宽效率优化和对云服务器主动攻击的安全保护机制，在保证客户端数据隐私的前提下，整合来自多源的数据进行联合训练，并在多项数据集（MNIST、CIFAR-10、CelebA）上验证该系统的可行性及精度。

    Feb, 2022

  • 差分隐私分布式估计与学习

    本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

    Jun, 2023

  • 安全聚合并不是你所需要的一切：使用噪声容忍度在联邦学习中缓解隐私攻击

    本文研究了在联合学习中，如果服务端是恶意的但试图获得私人数据，会面临什么样的安全聚合漏洞，并提供了一种进一步防御此类恶意服务器的方法，并展示了防御针对已知攻击的有效性。

    Nov, 2022

  • FastSecAgg: 面向隐私保护的联邦学习可扩展安全聚合

    本文提出了一种高效且具有鲁棒性的安全聚合协议 FastSecAgg，该协议基于快速傅里叶变换的新型多秘密分享方案 FastShare，可在保障数据隐私的同时，显著降低了计算和通信成本。FastSecAgg 可以有效地防范恶意攻击，使得在联邦学习场景下，客户端的模型数据可以更加安全地聚合到服务端进行更新。

    Sep, 2020