关键词privacy-preserving federated learning
搜索结果 - 6
- ICLR隐私保护联邦学习中 LoRA 的改进
在隐私保护联邦学习中，本文提出了一种高效且有效的低秩适应方法 FFA-LoRA，通过固定非零矩阵并仅微调零矩阵，缓解了数据异构性、差分隐私增强噪声放大以及超参数敏感性等挑战，同时将通信成本减半，并在各种联邦学习任务中展现了更一致的性能和更好 - vFedSec：通过安全层实现垂直联邦学习的高效安全聚合
本文提出了一种名为 vFedSec 的新型设计，其中包含一个创新的安全层，可使用安全聚合中的最新安全模块安全高效地进行垂直联邦学习，实现隐私数据的有效保护，并且速度比同类方法快得多。
- 联邦学习中的隐私保护聚合：一项调研
这项研究回顾了在联邦学习系统中应用的 PPAgg 协议，并对构建 PPAgg 协议的优缺点进行了广泛分析，同时讨论了支持 PPAgg 的开源 FL 框架，强调了将 PPAgg 应用于 FL 系统并将其与其他技术相结合以进一步提高安全性的重要 - 面向零售能源提供商的水平联合负荷预测技术
使用水平隐私保护联邦学习框架，提高智能电表的隐私性和可扩展性，构建一种长短期记忆神经网络方案，对于实时的能量负载预测和需求管理具有非常好的表现。
- 具有遗忘分布式差分隐私的抗串谋联邦学习
本研究提出了一种新的基于分布式差分隐私的隐私保护联合学习方法，其可以有效避免联合攻击，以及 “Sybil” 攻击，并给出了相应的安全性证明。在模拟的 5000 个分布式网络客户端上的实验结果表明，该协议执行速度快，学习准确率高，且具有良好的 - PPFL: 基于可信执行环境的隐私保护联邦学习
该论文提出并实现了一种基于隐私保护联合学习（PPFL）的框架，旨在通过利用受信任的执行环境（TEEs）对客户端进行本地训练，通过 TEEs 对服务器进行安全聚合，从而在联合学习中限制隐私泄漏，并达到显著的隐私保护与可比较的模型效用提升。