关键词privacy-preserving computation
搜索结果 - 5
- 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 - 快速和可扩展的隐私推断
隐私与安全、密码技术、隐私保护计算、私有推理和同态加密是本文主要关注的关键词,文章总结了最近关于使用神经网络中的私有推理作为动机应用来解决各种隐私保护计算中不同开销的努力,并介绍了其实现方法和加速技术。
- FedCLIP: 基于联邦学习的 CLIP 模型快速泛化和个性化
本文提出了一种名为 FedCLIP 的有效且简单的方法,通过为大型模型 CLIP 设计一个基于注意力的适配器,其余操作仅依赖于适配器,从而实现了联邦学习中 CLIP 的快速归纳和个性化。实验表明,FedCLIP 在计算和通信成本方面显着优于 - KDD无需了解连接的核心性评估
本篇研究采用差分隐私技术,成功实现在不泄露各分布式社交网络内部连接信息的情况下,多个不信任方计算节点的自我中心介数中心度量,实验结果在 Facebook 网络上具有实际可行性。
- 多源私有数据上的高效深度学习
Myelin 是一种深度学习框架,它结合了安全和隐私保护原则,使用可信硬件区域和差分隐私等技术以实现完全私密的机器学习模型训练。