Federal Learning中的隐私问题

最新推荐文章于 2024-06-06 15:56:09 发布
最新推荐文章于 2024-06-06 15:56:09 发布
阅读量334 收藏 1
点赞数 1
分类专栏： 深度学习 文章标签： 深度学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HizT_1999/article/details/101567668
版权
联邦学习（Federated Learning）是谷歌于2016年提出的，旨在解决数据安全和隐私保护问题，实现多节点间的高效机器学习。它分为横向、纵向和联邦迁移学习三种类型，涉及梯度安全聚合、同态加密等技术，是未来人工智能协同算法的重要基础。
摘要由CSDN通过智能技术生成

Part1：Federal Learning:联邦学习

联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。
##联邦学习的分类
图片.png
图片.png

1.横向

按照横向（用户维度）切分，取特征相同用户不同，各方各自更新模型并上传，云端服务器根据一定策略统一更新参数。
图片.png
1）参与者本地训练梯度，使用技术屏蔽梯度并发送给cloud
2）执行安全聚合
3）返回给参与者
4）更新模型

2.纵向

按照纵向（特征维度&

最低0.47元/天 解锁文章
HizT_1999
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
联邦学习的基本概念和术语 Federated Learning: Collaborative Machine Learning
光剑书架上的书
08-04 1156
随着互联网、移动互联网、物联网、云计算等新兴技术的广泛应用，传统数据中心遇到的限制越来越多，因此出现了边缘计算的概念。边缘计算可以将数据处理从中心服务器上卸载到边缘设备上，实现更快、更可靠的数据处理。然而，由于设备离用户较远，带宽资源受限等因素，边缘计算面临的通信、计算性能等问题也同样存在。为解决这一问题，机器学习领域提出了联邦学习（Federated Learning）的概念。联邦学习是一种机器学习模型训练方法，它允许多个数据所有者共同协作训练一个模型，从而使得模型能够更好地泛化到新数据上。
How to Backdoor Federated Learning
超新星的博客
10-06 417
一 联邦学习 分布式深度神经网络，通过n个参与者对本地数据进行训练然后把本地和全局模型的差异聚合到全局模型，私有数据从未离开参与者的机器，所有能够保护参与者的隐私 上面公式n可以是很大的一个数，在t回合选择m个参与者并向他们发送全局模型Gt到他们的本地，在根据本地数据训练成Lt+1，本地把两者的差距发送到服务中心，上面的差距可以应用一个随机数来缩放，这个主要是中心来优化并生成新的模型Gt+1，如果η = n/m,模型将会完整地被当地所有模板的平均值所替代，因为当地模板和全局模...
Federated_learning_with_differential_privacy：使用PyTorch通过各种神经网络和svm的基于差异优先级的联合学习框架
02-10
差异化隐私的联合学习 引文 如果您发现“ DP联合学习”在您的研究中很有用，请考虑引用： @ARTICLE{Wei2020Fed, author={Kang Wei and Jun Li and Ming Ding and Chuan Ma and Howard H. Yang and Farhad Farokhi and Shi Jin and Tony Q. S. Quek and H. Vincent Poor}, journal={{IEEE} Transactions on Information Forensics and Security}, title={Federated Learning with Differential Privacy: {Algorithms} and Performance Analysis}, year={2020}, vo
联邦学习安全与隐私保护
我的个人博客
09-07 2599
联邦学习安全与隐私保护
联邦学习（Federal Learning）
最新发布
Frankie0910314的博客
06-06 411
​ 简而言之，联邦学习就是一个分布式的机器学习过程，它让所有参与者都能在保持数据隐私的同时，共同合作训练出一个更强大、更智能的模型。尤为重要的领域，如医疗健康、金融服务等。，提升模型效果的同时保护隐私安全。
机器学习------联邦学习的安全与隐私
sfakh的博客
08-28 4116
联邦学习的安全与隐私安全和隐私攻击攻击目标攻击方式1.恶意参与者2.恶意服务器攻击方法投毒攻击对抗攻击参与者GAN攻击推理攻击联邦学习的防御措施安全防御措施1.投毒攻击的防御--异常检测、对抗训练2.对抗攻击防御隐私防御措施1.同态加密与安全多方计算2.差分隐私保护联邦学习面临的挑战 联邦学习是一种新型的分布式学习框架，与分布式机器学习中的数据并行化训练具有相似的逻辑结构(即拥有不同训练数据的多个节点共同执行一个机器学习任务)。允许多个参与者之间共享训练数据而不会泄露其数据隐私。参与者的数据隐私可以通过只上
读懂联邦学习中的安全与隐私问题（全）
cryptocxf的博客
09-06 1万+
该篇是2021年发表在《Future Generation Computer Systems》期刊上的一篇综述论文，主要介绍了联邦学习中可能面对的所有安全与隐私威胁问题，比较详细和具体的进行了综述，是篇还不错的文章，建议读原文。以下是个人的读书笔记，结合自己的理解，只截取部分关键或重要的部分。 先附上原文下载链接：查阅or下载 （长文警告，本篇大约1.8w个字，谨慎阅读！） 文章目录预览《A survey on security and privacy of federated learning》联邦学习的
论文阅读：Differential privacy federated learning a client level perspective
三金samkam的博客
01-25 2118
论文名字 Differential privacy federated learning a client level perspective 来源 NIPS 2017 顶会 年份 2017 作者 Robin C. Geyer, T assilo Klein, Moin Nabi 核心点 阅读日期 ...
联邦学习（Federated Learning）介绍
土豆洋芋山药蛋的博客
04-21 5776
参考资料： Tensorflow官网教程：https://www.tensorflow.org/federated/ 联邦学(federated learning)习生态：https://cn.fedai.org federated learning/联邦学习：https://daiwk.github.io/posts/dl-federated-learning.html Federated ...
联邦学习（Federated Learning）
热门推荐
培根芝士的专栏
11-26 4万+
联邦学习简介 联邦学习（Federated Learning）是一种新兴的人工智能基础技术，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。 联邦学习的系统构架 以包含两个数据拥有方（即企业 A 和 B）的场景为例介绍联邦学习的系统构架。该构架可扩展至包含多个数据拥有方的场景。假
联邦学习（（Federated Learning，FL）
weixin_51306020的博客
07-14 9269
联邦学习相关概念、领域热点、挑战与前景。 联邦学习的定义、特点、框架、迭代流程、分类；领域亟待解决的问题；主要研究方向、热点和前景展望。
联邦学习论文阅读一：经典FedAvg
qq_41605740的博客
05-05 9379
联邦学习论文阅读一：经典FedAvg Communication-Efficient Learning of Deep Networksfrom Decentralized Data 论文地址：https://arxiv.org/pdf/1602.05629.pdf
联邦学习综述（一）——联邦学习的背景、定义及价值
IST-CTO
07-22 1万+
联邦学习是指在进行机器学习的过程中,各参与方可借助其他方数据进行联合建模.各方无需共享数据资源,即数据不出本地的情况下,进行数据联合训练,建立共享的机器学习模型
联邦学习(联合学习) Federated Learning(FL) (数据孤岛)(隐私计算)
hxxjxw的博客
08-24 1万+
联邦学习，是联邦机器学习的简称, 也叫联合学习，联盟学习 谷歌公司和微众银行分别提出了不同的“联邦学习”(Federated Learning)算法框架 联邦学习是一种机器学习设定，其中许多客户端在中央服务器的协调下共同训练模型，同时保持训练数据的去中心化及分散性。 联邦学习的长期目标：在不暴露数据的情况下分析和学习多个数据拥有者的数据。（目的：解决数据孤岛） 联邦学习通过联合多方在不泄露或汇聚各方原始数据的前提下进行联合建模 一般来说联邦学习中进行交换的数据是进行加密的模型或梯...
Federal Learning（联邦学习 Fate）认知
weixin_30776545的博客
06-08 3073
本人是学生党，同时也是小菜鸡一枚，撞运气有机会能够给老师当项目助理，在这个过程中肯定会学到一些有趣的知识，就在此平台上记录一下，在知识点方面有不对的还请各位指正。 What（什么是联邦学习？） 联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、...
SolidWorks PDM Enterprise 2008中文教程：提升产品设计协作
值得注意的是，教程的使用受到美国政府限制权利的规定约束，这意味着政府机构在使用、复制或公开该软件时需要遵守Federal Acquisition Regulation (FAR) 52.227-19和Defense Federal Acquisition Regulation (DFARS)...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值