Apr, 2024

VFLGAN: 基于垂直联合学习的生成对抗网络用于垂直分割数据发布

PDF
TL;DR基于垂直分割数据发布的纵向联邦学习生成对抗网络 (VFLGAN) 通过提供质量更好的合成数据，显著提高了生成对抗网络的效果，并利用高效有效的高斯机制为合成数据提供差分隐私保证，还在合成数据中应用会员推理攻击的实际审核方案评估隐私泄漏。
artificial intelligencedatasetsynthetic datagenerative adversarial networkdifferential privacy
发现论文，激发创造
  • 基于 GAN 的数据污染框架用于对抗垂直联邦学习中的异常检测

    在垂直联邦学习中，通过保护数据隐私，商业实体共同训练一个模型。然而，恶意参与者的毒化攻击可能会降低这个合作模型的性能。为了解决这个挑战，本文引入了一种创新的端到端毒化框架 P-GAN。同时，我们还开发了一种基于深度自编码器（DAE）的异常检测算法，为垂直联邦学习情景提供了强大的防御机制。通过大量实验，我们评估了 P-GAN 和 DAE 的效能，并进一步分析了影响它们性能的因素。

    Jan, 2024

  • 纵向联邦图像分割

    提出了一种创新的垂直联邦学习 (VFL) 模型架构，能够在常见情况下进行操作。通过利用一个能够处理缺少标记数据的联邦状况的 FCN, 以及与承载分类所需特征的中央服务器私密共享权重的方式，实现图像分割并保持准确性。在 CamVid 数据集上进行了测试，以确定在联邦之间传输信息所需的特征压缩的影响，并在此类约束条件下对整体性能指标作出合理的结论。

    Jan, 2024

  • FLIGAN：使用 GAN 增强不完整数据的联邦学习

    FLIGAN 使用生成对抗网络应对分布式学习中数据不完整的问题，通过生成合成数据提高数据集的鲁棒性和完整性，从而在高类别不平衡的场景下实现模型准确性的最多 20% 的提升。

    Mar, 2024

  • 面向图卷积神经网络的垂直联邦学习框架

    本文提出 FedVGCN 算法，是一个隐私保护的节点分类任务的联邦学习范式，能够推广到现有的 GCN 模型，将计算图数据分成两部分，在同态加密下，双方交换中间结果进行训练，实验结果表明 FedVGCN 在 GraphSage 的情况下是有效的。

    Jun, 2021

  • 隐私保护节点分类的纵向联邦图神经网络

    本文提出了基于联邦学习的 VFGNN 框架，用于解决图数据中的隐私节点分类任务，在保留数据隐私的同时获得了良好的效果。

    May, 2020

  • Graph-Fraudster：基于图神经网络的纵向联邦学习的对抗性攻击

    本文提出了基于 GVFL 框架的新型攻击方法 Graph-Fraudster，并在五个基准数据集上进行了实验，结果表明该方法在攻击性能上具有最先进的水平，并提出了未来工作的一些建议以改善 GVFL 的稳健性。

    Oct, 2021

  • PS-FedGAN: 基于部分共享生成对抗网络的高效联邦学习框架，用于数据隐私保护

    提出了一种名为 PS-FedGAN 的新型联邦学习（FL）框架，通过对 GAN 进行部分共享模型，加强 GAN 的发布和训练机制，从而解决客户端数据的异构性问题，并在降低通信成本的基础上加强隐私保护。

    May, 2023

  • 使用敌对嵌入攻击竖直联邦学习模型

    本研究探讨了垂直联邦学习的安全保障问题，针对现有垂直联邦学习框架中使用密码学技术提供数据隐私和安全保障的方式，提出了对模型安全性的进一步研究探讨。

    Dec, 2022

  • 图神经网络的隐私保护设计及其在纵向联邦学习中的应用

    本文介绍了一种基于 VFL 框架的端到端 GRL 方法，称为 VESPER，它建立在一种通用的隐私保护方案（PMP）上，允许对许多常见的图神经网络架构进行隐私保护。通过对具体图神经网络架构的设计选择进行讨论，我们提出了针对稠密图和稀疏图的解决方案和改进方法。对公共数据集和行业数据集的大量实证评估表明，VESPER 能够在合理的隐私预算下训练高性能的 GNN 模型。

    Oct, 2023

  • 使用生成神经网络的联邦信道建模系统

    该研究提出了一种基于数据驱动的、利用联邦学习（FL）和生成对抗网络（GAN）的方法，用于在无人机上的毫米波无线网络中进行空地信道估计。通过将 FL-GAN 与其他生成模型进行比较，结果表明，FL-GAN 所生成的合成数据分布与真实数据的相似度最高，有效地展示了该方法在生成数据驱动的信道模型方面的实用性。

    May, 2023