Jun, 2024

区块链增强的联邦推荐系统隐私可追溯策略

PDF
TL;DRLIBERATE 是一个隐私可追溯的联邦推荐系统，设计了一种基于区块链的可追溯性机制，通过在数据共享和模型更新过程中确保数据隐私，并通过在用户与服务器之间的通信中融入本地差分隐私来进一步增强隐私保护。在真实世界数据集上的广泛评估证实了 LIBERATE 在确保数据隐私的同时保持效率和性能方面的能力，结果强调了基于区块链的可追溯性机制作为隐私保护的有前途的解决方案。
federated recommender systemsdata sharingmodel updatesprivacy-traceableblockchain-based traceability mechanism
发现论文，激发创造
  • 基于区块链的联邦学习和数据隐私调查

    本文探讨了基于区块链技术进行联邦学习的安全数据共享平台的性能和安全性，系统地回顾了现有的研究。结论是目前该领域仍有许多值得探究的问题和研究方向。

    Jun, 2023

  • FedBlockHealth：联邦学习与区块链的协同应用，增强 IoT 医疗保健数据隐私与安全

    本文提出一种新型的混合方法，将联邦学习和区块链技术相结合，为物联网医疗应用提供安全的隐私保护解决方案，保护数据隐私，保证计算效率，同时保持数据完整性和访问控制。

    Apr, 2023

  • 基于区块链的联邦学习系统中的隐私保护

    本文综述了科学界在采用区块链增强的联邦学习场景下定义隐私解决方案所做的研究工作，包括对联邦学习和区块链的背景进行全面总结，评估现有的整合架构以及确保隐私的主要攻击和可能的对策，最后回顾了应用联邦学习增强的区块链在主要应用场景中取得的成果，为学术界和工业界的从业者提供了有助于提升联邦学习性能的理论和技术，同时指出了在这个新颖且尚未充分开发的领域中的主要挑战和未来方向。

    Jan, 2024

  • 基于区块链的保护隐私的物联网设备联邦学习

    本论文设计了一个基于声誉机制的联邦学习系统，使用区块链和差分隐私等技术保护用户隐私和数据，帮助家电制造商训练机器学习模型以预测用户行为并改善产品和服务。

    Jun, 2019

  • 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

  • 面向物联网的协作机器学习的区块链解决方案

    本文提出了一种将增量学习矢量量化算法（XuILVQ）与以太坊区块链技术结合，以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能，展示了其在物联网环境中提高机器学习任务准确性和效率的潜力。

    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

  • 区块链上的健康数据安全：差分隐私和联邦学习框架

    提出一种框架来增强基于区块链的物联网（BIoT）系统在医疗保健领域中的隐私保护，通过集成差分隐私（DP）和联邦学习（FL）来保护物联网节点收集的敏感健康数据，并利用动态个性化和自适应噪声分布策略平衡隐私和数据效用，同时通过区块链技术确保模型更新的安全透明聚合和存储，实验证明该框架在各种攻击场景下具有强大的隐私保证，并在健康分析任务中保持高准确性，平均每轮联邦学习花费 6 秒左右的交易延迟，注重性能和可行性。

    May, 2024

  • 一个可扩展的基于区块链的联邦学习系统中的公正性、完整性和隐私保护

    本论文旨在探究如何采用区块链技术，本地差分隐私和零知识证明等前沿技术，构建一个公平、透明、保护隐私的分散式机器学习系统，以有效解决实践中的公正、完整性和隐私问题。

    Nov, 2021

  • 增强分布式网络中的信任和隐私：基于区块链的联邦学习的综合调查

    区块链与联邦学习的综述和展望，介绍了基于区块链的联邦学习的分类、体系结构和应用，并指出了未来研究方向。

    Mar, 2024