- 私密量子通道压缩与私密量子假设测试
量子广义差异、收缩系数、隐私约束下的样本复杂度、私密量子通道是本研究的主要关键词和研究领域。
- 具有外部隐私泄露分析的分散协同学习框架
本文提出了两种分散式多任务学习在隐私约束下的方法论上的进展，旨在为下一代区块链平台的未来发展铺平道路。第一，我们扩展了协作字典学习 (CollabDict) 的现有框架，之前仅适用于高斯混合模型，通过将深度变分自动编码器 (VAE) 纳入框 - 带剪裁的随机梯度下降法秘密估计中位数梯度
基于中位数估计的坚实梯度方法在随机梯度下降算法中能够应对重尾、状态相关性噪声，在分布式学习、隐私约束等领域有广泛应用。本研究在采样、几何中位数计算及迭代中都提出了基于中位数梯度估计的方法，并发现多种已知算法可看作此方法的特例。
- 基于公共数据的差分隐私学习的 Oracle 高效实现
通过利用公共数据来提高私人学习算法的性能，本研究提出了第一种具有计算有效性的算法，以确保在满足与私人样本相关的差分隐私的同时，当私人数据分布足够接近公共数据时也能保证学习效果，并且在函数类可非私密学习时可进行私人学习的证明。
- 差分隐私高维赌博机
我们考虑高维度的随机情景线性赌博问题，在参数向量是 $s_{0}$- 稀疏的情况下，决策者受到差分隐私在中心模型和本地模型下的约束。我们提出了 PrivateLASSO，一种差分隐私的 LASSO 赌博算法，它基于两个子例程：(i) 基于稀 - 非私有和私有数据的速率最优分类
在本文中，我们重新审视了分类的经典问题，但施加了隐私约束。在此约束下，无法直接观察原始数据（X1，Y1），…，（Xn，Yn），并且所有的分类器都是合适的本地差分隐私机制的随机结果的函数。统计学家可以自由选择这种隐私机制的形式，在这里，我们向 - 不完整观测数据的因果效应联邦学习
通过分散的不完整数据源进行联邦因果推断，估计多个分散的不完整数据源中的因果效应。该方法使用丢失数据的条件分布来识别因果关系，并估计缺失随机假设下的更高阶统计量，同时回答隐私风险。通过模拟和真实世界示例的集合验证了该方法的功效和实用性。
- 异构环境下保护隐私的贝叶斯联邦学习
本文介绍了针对异构客户端的联邦学习框架，基于训练本地的贝叶斯模型，通过在网络的输出空间中加入监管，提供了处理不同限制和限制条件的自然方法，并提供了严格保密性保证和模型的不确定性表征
- ICML标记偏移下联邦不确定性量化的共形预测
开发了一种新的基于分位数回归的联邦拟合预测方法，考虑到了隐私约束。这种方法利用重要性加权有效地解决了代理之间的标签偏移，并为预测集的有效覆盖和差分隐私提供了理论保证。广泛的实验研究表明，这种方法优于目前的竞争对手。
- 隐私感知的高斯过程回归
提出了第一个在隐私约束下进行高斯过程回归的理论和方法框架，其中关键思想是通过添加合成噪声，直到高斯过程模型的预测方差达到预定的隐私水平，来对数据进行保护，并使用半定编程来制定合成噪声的最优协方差矩阵格式，此框架还通过考虑跟踪卫星轨迹的模型进 - 面向医疗数据民主化与信息泄露预防的数据编码
这篇论文提出了一种通过不可逆编码实现数据民主化的方案，能在不违反医疗数据和临床模型的隐私约束条件下，保证编码数据能够保留原始数据的语义以有效地训练深度学习模型，并减少模型的信息泄漏。
- 基于异构模块化网络的个性化联邦学习
Federated Modular Network (FedMN) is a novel Personalized Federated Learning approach that adapts to the joint distribut - 关于多语言下鲁棒的增量学习
利用来自各种语言的数据，我们提出了一种方法，通过数据增强和优化训练，实现在数十个微调步骤上的增量式学习，我们的增强策略无需保留到以前的训练数据，适用于有隐私约束的情况。
- FedFormer: 强化学习中的上下文联邦学习和注意力机制
该论文提出了一种名为 FedFormer 的新型联邦学习策略，使用 Transformer Attention 对不同学习者代理的模型进行上下文聚合嵌入，从而实现有效且高效的联邦学习，该方法在 Meta-World 环境中验证了其在联邦学习 - ACLAB/BA 分析：在保持音频隐私的同时估计关键词检测召回率提高的框架
本研究提出了一种名为 AB/BA 分析的技术，该技术可在隐私约束下，无需负样本即可使用交叉数据集进行相对召回率估计，以及在机器生成的软标签的帮助下进行半监督分析。通过实验，研究表明 AB/BA 分析可成功衡量召回率的改进和相对假阳性率的平衡 - 置换和翻转：一种新的差分隐私选择机制
该研究考虑隐私保护机制在数据选择问题上的应用，提出一种基于隐私约束的新型机制，相较于指数机制能够获得高达两倍的性能提升，并具有简单易实现、线性时间等特点。
- FedGAN：用于分布式数据的联邦生成对抗网络
本文提出了一种名为 Federated Generative Adversarial Network (FedGAN) 的算法，用于训练分布式非独立同分布数据源的 GAN，并基于周期性同步本地生成器和辨别器以及平均和广播生成器和辨别器参数的 - 高斯差分隐私深度学习
本文研究了深度学习中隐私方面的问题，提出了一种新的隐私定义 ——f - 差分隐私，并利用其可处理复合和子采样的性质，推导出了一种更简单的隐私分析方法。在图像分类、文本分类和推荐系统等任务中的实验结果表明，该方法可以在保证隐私的前提下提高神经 - AAAI实用联邦梯度提升决策树
本文研究了使用局部敏感哈希的 GBDT 在水平联邦学习中的训练，证明了其安全性并且可以显著提高预测准确性。
- 一个物体扫描的大规模数据集
创建了一个由 10000 多个 3D 扫描的真实物体组成的数据集，并遵守了隐私约束，该数据以公共领域的形式免费提供。