- 应用多代理协商解决具有隐私保护的生产路径问题
该论文提出了一种新颖的方法来解决供应链优化中的隐私保护生产路径问题,通过智能代理协商与混合多智能体系统相结合的优化算法,使得它成为解决复杂供应链优化问题的有效框架。
- 处理疑虑:揭示联邦学习下梯度反转攻击的威胁模型,调查与分类
该研究论文介绍了一种关于 Gradient Inversion Attacks 的调查和分类法,强调了联邦学习威胁模型,特别是恶意服务器和客户端情况下的攻击方法和防御策略。
- COLING一种隐私保护冒犯性语言识别的联邦学习方法
通过引入联邦学习(FL)在辱骂语言识别中的上下文中,我们提出了一种保护用户隐私的去中心化架构,用于辨别网上的辱骂语言。在四个公开可用的英语基准数据集(AHSD、HASOC、HateXplain、OLID)上,我们对多个深度学习模型进行了训练 - 多模态数据上的纵向联邦阿尔茨海默病检测
这篇论文介绍了一种能够在分布式数据上训练的符合 HIPAA 规范的框架,并提出了一个用于阿尔茨海默病(AD)检测的多模态垂直联邦模型。这种垂直联邦模型能够在不违反 HIPAA 所施加的隐私限制的情况下,实现跨不同源医学数据的协同学习,并利用 - AAAI无法学习例子的检测与防御
随着社交媒体的出现,隐私保护变得越来越关键。我们提出了使用深度学习模型的泛化能力降低的不可学习示例来避免在互联网上泄露个人信息,然而我们的研究发现,不可学习示例很容易被检测出来。我们提供了关于某些不可学习污染数据集的线性可分性的理论结果和基 - 通过无监督聚类提高端到端语音识别的公平性和鲁棒性
本文提出了使用保护隐私的方法来提高自动语音识别的公平性和鲁棒性,通过利用无监督学习从发音级别语音特征中提取得到语音聚类中心作为训练模型的额外特征,实现对任何人群的提高,特别是在不同口音情境下显示出明显改进。
- 基于隐私保护的联邦学习核方法
用于水平分布数据的联邦学习方法 FLAKE,可以保护机密性并高效地计算 Gram 矩阵,从而实现隐私保护的核方法,适用于机器学习和数据挖掘等领域。
- 利普希茨正则化变分自编码器生成差分隐私合成数据
本文探讨了使用具有随机性生成模型的方法来实现隐私保护数据生成,通过将深度模型的连续模数限制在适当的范围内以获得隐私保护,并实验证明了其有效性。
- 面向推荐的半去中心化联邦自我图学习
本文提出了一种半去中心化的联邦图神经网络推荐框架(SemiDFEGL),它通过设备之间的合作来提高可扩展性并降低通信成本,并创新地利用预测的互动项目节点来连接孤立的 Ego 图以增强本地子图,进而以隐私保护的方式使用高阶用户 - 项协同信息 - MM基于随机正交矩阵的 ConvMixer 模型隐私保护方法
提出一种隐私保护图像分类方法,其中测试图像被加密,并通过使用随机正交矩阵进行加密,从而改善了原始的隐私保护学习法,提高了分类准确性和鲁棒性。
- AAAI用集合跨领域知识蒸馏保护联邦学习中的隐私
本文提出了一种基于联邦学习框架的隐私保护和通信高效方法,使用未标记的跨域公共数据进行一次离线知识蒸馏,提出了一种量化和嘈杂的本地预测集成方法,同时保证了强隐私保证和高准确性。
- 结合变分建模和局部梯度摄动以防止深度梯度泄露
本文利用 PRECODE 技术中的变分建模探究其工作原理,结果发现其随机化的梯度可以防止梯度反演攻击以及需要更少的梯度扰动以有效保护训练数据隐私。
- 基于最小可感知差异的对抗性隐私保护图像生成
本文提出一种基于最小可感知差异(MND)概念的框架,来生成对深度学习模型具有攻击能力,同时又具有最小视觉差异的隐私保护对抗性图像。通过引入对感知质量的保护损失,本文的对抗性图像生成方法能够在各项性能指标(如 PSNR、SSIM、MOS 等) - 隐私保护图像配准
该研究旨在解决在隐私约束下,医学图像注册问题。推导了一个基于先进的密码学工具的隐私保护图像注册框架,即在不泄露基础数据的情况下执行操作。使用梯度逼近和打包技术来优化该框架以提高性能和可伸缩性。通过线性和非线性注册问题来展示该框架的准确性和可 - AAAICECILIA: 全面安全的机器学习框架
该研究提出了一个安全的三方计算框架 CECILIA,它提供了隐私保护的机器学习方法来对敏感数据进行建模。该框架不仅提供了加法和乘法等常见运算,还提供了多路复用器、最高位和模转换等新颖的方法,并成功地实现了精确和完全私有的指数计算,并可扩展到 - 联邦机器学习和集中式机器学习的比较评估
本文讨论分布式数据的非 IID 性质及其对联邦学习的训练造成的影响,同时对联邦学习与典型集中式梯度下降技术的不同之处进行比较,并在实践中演示样品数量和输出标签分布对联邦学习的影响。此外,本文证明了在模型大小不太大的情况下使用联邦学习框架具有 - AAAI来自多所学校的增量知识跟踪
本研究探索在保护学习者数据隐私的前提下建立知识追踪模型的可行性,并使用多所学校的数据集进行序列学习,结果表明,使用 Self Attentive Knowledge Tracing 算法进行序列学习可以达到与汇集所有数据相似的性能。
- KDDAsySQN: 更快的垂直联邦学习算法,更好的计算资源利用
本文提出了一种异步的基于拟牛顿算法的竖直联邦学习框架 (AsySQN),并在此基础上提出了 AsySQN-SGD、AsySQN-SVRG 和 AsySQN-SAGA 三个算法,通过在实践中收敛比 SGD 更快地 Hessian 所产生的形式 - AAAI分布式差分隐私决策树学习的可扩展和可证明精确性算法
本文提出了分布式环境下差分隐私保护决策树学习的第一个证明准确的算法: DP-TopDown,并介绍了两种分布式实现方法。这些研究成果提供了差分隐私保护下的顶部 - 向下决策树学习的效用保证,并揭示了在隐私、精度和概括性之间学习私有决策树的权 - 具有 PAC 和遗憾保证的私人强化学习
在高风险决策领域,如个性化医疗,用户信息天然敏感,因此设计了保护隐私的强化学习策略。采用联合差分隐私(JDP)提供有意义的隐私表述,并开发一种基于乐观主义的隐私保护学习算法,同时实现强 PAC 和遗憾边界,且享有 JDP 保证。此算法只在探