Jan, 2024

量子隐私聚合技术 (Quantum Privacy Aggregation of Teacher Ensembles, QPATE) 用于保护隐私的量子机器学习

PDF
TL;DR该研究是首次将 PATE 技术应用于量子神经网络集合，为量子机器学习模型提供隐私保护的新方法。
发现论文，激发创造
  • 使用 PATE 进行可扩展私有学习

    本文介绍 Private Aggregation of Teacher Ensembles (PATE) 这种利用集合的 “教师” 模型来构建 “学生” 隐私机器学习模型的方法，并提出一些新的机制来更好地实现差分隐私，在大规模的数据集上进行了检验。

    Feb, 2018

  • 私有集成模型对公正性的影响

    该研究探讨了使用 “PATE” 算法是否会导致不公平，证明了它可能会导致个体组之间的准确性差异，分析了导致这些不成比例影响的算法和数据属性以及为缓解这些影响提供了建议。

    May, 2023

  • 热 PATE：用于多样任务的私密聚合分布

    私有教师集成的 PATE（The Private Aggregation of Teacher Ensembles）框架是一种多用途的隐私保护机器学习方法，通过训练教师模型来聚合标记新的学生模型的训练样例。传统的 PATE 主要应用于分类类任务，但是我们提出的 hot PATE 则专为多样化场景设计，通过维持隐私和响应的多样性来实现知识迁移。我们通过分析和实证研究表明，hot PATE 在隐私 - 效用权衡方面与基线 “cold” PATE 相当甚至在多样化场景下表现显著优越。

    Dec, 2023

  • 基于半监督知识迁移的深度学习私有训练数据共享

    本研究提出了一种称为私有教师集成（PATE）的方法，通过多个使用不同数据集训练的模型进行加密学习，从而实现对模型训练数据的隐私保护，达到最新的隐私 / 效用平衡，且适用于包括非凸模型在内的任何模型。

    Oct, 2016

  • G-PATE：基于教师鉴别器私有聚合的可扩展差分隐私数据生成器

    本文提出了一种新的基于 PATE 框架的隐私保护数据生成模型（G-PATE），它利用生成对抗网络生成数据，并结合隐私聚合机制以确保强大的隐私保证，相对于现有方法，G-PATE 显著提高了隐私预算的使用效率。

    Jun, 2019

  • SF-PATE: 可扩展、公平且私密的教师集成聚合

    本文旨在研究一种隐私保护和公平的模型，该模型允许采用现有的公平模型，保护个人信息的隐私同时学习非歧视性预测器。实验证明该模型具有可扩展性、准确性和公正性。此外，该文章是第一个允许对非常大的神经网络训练私人和公平模型的提议。

    Apr, 2022

  • 隐私保护分布式学习的基于量化的技术

    本研究论述了一种符合规定的分布式机器学习训练的数据保护技术，采用基于量化多哈希数据表示和随机化的协议，保护训练数据和机器学习模型参数，并通过标准安全多方计算协议共享超参数。实验结果展示了该方法的鲁棒性和保持准确性的特性。

    Jun, 2024

  • 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

  • 盲量子计算实现的量子联邦学习

    本文介绍了一种基于 Blind quantum computing 的量子协议，用于单方委派训练和多方私有分布式学习。该协议在差分隐私的保护下是安全的，并且在实验不完美的情况下具有鲁棒性和处理具有隐私保障的计算密集型分布式学习任务的潜力，为探索机器学习领域中的安全性量子优势提供了有价值的指导。

    Mar, 2021

  • 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