Sep, 2023

量子算法差分隐私违规检测

PDF
TL;DR该论文提出了一种用于检测量子算法差分隐私违反的正式框架，并使用 Tensor Networks 数据结构在 TensorFlow Quantum 和 TorchQuantum 两个量子扩展机器学习平台上实现了高效的算法，验证了其对各种类型的量子算法的有效性和效率。
quantum algorithmsdifferential privacytensor networkstensorflow quantumtorchquantum
发现论文，激发创造
  • 检测差分隐私违规

    本研究使用统计方法产生小而可理解的反例来检测有关差分隐私保护的算法中可能发生的违反隐私保护的错误，此方法可以有效地检查算法的正确性并帮助开发者快速调试。

    May, 2018

  • 一个统一的差分私有量子算法框架

    量子差分隐私通过添加经典和量子噪声，以及研究邻接量子状态的概念，提供了更强的隐私保证，并通过实证估计不同差分隐私测量方式的认证对抗性鲁棒性。

    Jul, 2023

  • 差分隐私的联合量子机器学习

    我们提出了结合量子计算的隐私保护方法，在基于量子的人工智能系统中实现数据泄露和模型反演攻击的全面保护，取得了成功。

    Oct, 2023

  • 利用内在噪声进行量子机器学习隐私保护

    利用量子计算中的自然噪声保护量子机器学习模型的数据隐私，在不同次数运行量子电路可以实现目标隐私保护水平。

    Dec, 2023

  • 量子异常检测的量子机器学习

    该研究探讨了在量子技术方面，异常探测的重要性并提出了通过机器学习算法（如核主成分分析和一类支持向量机）来实现异常探测。在底层量子逻辑上寻找对应的量子算法，并证明了这两个量子算法的资源需求可以对量子状态的维数以及用于训练机器学习算法的量子状态数量取对数。这使得这些算法可用于处理大规模的量子数据。

    Oct, 2017

  • 深度学习与差分隐私

    本论文提出新的算法技术，包括隐私成本的细化分析，并在差分隐私框架下进行。 实验结果表明：我们可以在较小的隐私成本下训练具有非凸目标的深度神经网络，而且在软件复杂性、训练效率和模型质量上具有可管理的成本。

    Jul, 2016

  • 实用差分隐私的三种工具

    在实际数据中进行差分隐私学习存在挑战：隐私保证难以解释，对私有数据进行的超参数调整会降低隐私预算，通常需要进行特殊的隐私攻击来测试模型的隐私性。本文提出了三种工具来使差分隐私机器学习更加实用：（1）可在训练前以集中方式进行的简单的健全性检查，（2）自适应裁剪边界来减少可调隐私参数的有效数量，（3）大批量训练可以提高模型性能。

    Dec, 2018

  • 隐私与效用权衡的量子解决方案

    本研究提出了一种基于量子密码原理的全新架构，可用于对生成模型的成员推理攻击进行保障隐私和安全性，通过量子门和酉算子相结合相较于标准差分隐私技术，在保护安全性方面具有内在优势。

    Jul, 2023

  • 优化差分隐私下的直方图查询

    该研究提出了一种基于计数查询的线性组合方法，通过最优策略支持一组相关查询的答案，并对该策略的误差进行几何特征化并提出了优化方法，以应用于不同数据分析任务中的隐私保护。

    Dec, 2009

  • 量化差分隐私机器学习的碳排放

    本研究调查了差分隐私对机器学习算法性能和碳足迹的影响，并提供了帮助选择合适噪音水平的指导，以平衡所需的隐私级别和减少碳排放。

    Jul, 2021