具审计能力的基于同态加密的去中心化协作人工智能与基于属性的差分隐私

Feb, 2024

具审计能力的基于同态加密的去中心化协作人工智能与基于属性的差分隐私

Auditable Homomorphic-based Decentralized Collaborative AI with Attribute-based Differential Privacy

Lo-Yao Yeh, Sheng-Po Tseng, Chia-Hsun Lu, Chih-Ya Shen

TL;DR通过引入同态加密和细粒度差分隐私，我们提出了一种名为 AerisAI 的新型分布式协作人工智能框架，以改善安全性，直接使用基于区块链智能合约的加密参数进行聚合，消除了对可信第三方的需求，并提供基于密文策略属性加密（CPABE）的广播感知组密钥管理，以实现基于不同服务级别协议的细粒度访问控制，通过理论分析和与其他基准的功能比较，我们提供了对 AerisAI 的形式化评估，并对真实数据集进行了广泛实验，实验结果表明我们提出的 AerisAI 明显优于其他最先进的基准算法。

Abstract

In recent years, the notion of federated learning (FL) has led to the new paradigm of distributed artificial intelligence (AI) with privacy preservation. However, most current FL systems suffer from data privacy

federated learning privacy preservation decentralized collaborative ai homomorphic encryption differential privacy

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

基于加性同态加密的深度神经网络用于非对称协作机器学习

本文提出一种不对称协作机器学习的实用方案，其中一方拥有数据，另一方仅拥有标签，提出了一种新的保护隐私的架构方案，可以有效地帮助两方合作训练深度学习模型。

Jul, 2020

联邦机器学习中的隐私和信任重新定义

本文介绍了一种基于分布式身份技术的隐私保护的分散工作流，用于促进参与者之间可信的联邦学习，限制只有获得适当机构发放的可验证凭证的实体才能建立安全、经过认证的通信渠道，参与与心理健康有关的联邦学习流程。

Mar, 2021

如何民主化和保护人工智能：公平与差分私有的分散式深度学习

该论文提出了一种基于声誉系统的去中心化深度学习框架，它利用数字代币、本地可信度和差分隐私来确保公平性和隐私保护，实验结果显示其在三种实际环境下均能取得高度公平性，并且精度与集中式和分布式框架相当，高于单独框架。

Jul, 2020

CommunityAI：面向基于社区的联邦学习

我们提出了一种名为 CommunityAI 的用于基于社区的联邦学习的新框架，通过共享兴趣、专业知识或数据特征来组织参与者，并在各自的群组中维护数据和参与者的隐私，从而使参与者能够共同贡献于训练和完善学习模型的过程中。

Nov, 2023

提升联邦学习系统中的数据溯源和模型透明度 - 一种数据库方法

该论文提出了一个方法，通过使用密码学技术和高效的模型管理，来增强联邦学习系统中数据的来源和模型的透明度，旨在增强训练后模型的可重现性和可信度，从而解决数据一致性和解释性的问题。

Mar, 2024

利用区块链进行中心数据联邦学习以保障完整性

提出一种通过区块链和智能合约实现的数据中心联邦学习架构，其中包含一个虚拟的公共市场，提供高质量的数据以供训练，通过激励机制提高数据质量和完整性，该架构有助于提高训练数据集的增长速度和模型准确性。

Jun, 2022

隐私感知的伯鲁特拟合编码计算用于联邦学习

我们提出了一种基于 Berrut 近似编码计算的解决方案，用于同时解决联邦学习中的隐私问题和非线性函数计算以及分布式矩阵乘法的问题。该解决方案适用于各种联邦学习场景，并在隐私和精度之间找到了一个良好的平衡。

May, 2024

走向个性化联邦学习

本综述论文研究了个性化联邦学习（PFL）的领域，着重解决异构数据带来的基本问题，通过分类和分析 PFL 技术，提出其关键挑战和机会，并展望了未来研究的发展方向。

Mar, 2021

FLAIM: 基于 AIM 的联邦环境中的合成数据生成

在保护个人隐私的同时实现协同数据共享对组织非常重要。合成数据生成是一种解决方案，可以产生与私有数据具有统计特性相似的人工数据。本文提出了在联邦环境下进行合成表格数据生成的研究。通过在最先进的中心化方法 AIM 的基础上构建 DistAIM 和 FLAIM，我们展示了将 AIM 进行分发是可以实现的。进一步证明了直接联邦 AIM 可能导致在异构性存在的情况下效用明显下降。为了减轻这两个问题，我们提出了增强的 FLAIM 方法，维护了异构性的私有代理。我们在一系列基准数据集上模拟了我们的方法，并展示了这种方法可以提高效用同时减少开销。

Oct, 2023