横向联邦学习下隐私保护安全聚合：问题，方法，与展望

最新推荐文章于 2023-12-02 14:56:24 发布
最新推荐文章于 2023-12-02 14:56:24 发布
阅读量660 收藏 5
点赞数
文章标签： 人工智能 深度学习
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/aK031999/article/details/128210017
版权
本文探讨了横向联邦学习中隐私保护的安全聚合技术，包括成对加性掩码、同态加密和秘密分享等方案，分析了各种方法的优缺点及适用场景，并提出了对未来的展望。
摘要由CSDN通过智能技术生成
最低0.47元/天 解锁文章
aK031999
关注
AI之FL：联邦学习(Federated Learning，分布式机器学习技术)的简介(背景/思想/特点/优势/未来展望/发展史)、系统及其架构、场景应用之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
04-27 1万+
​ AI之FL：联邦学习(Federated Learning，分布式机器学习技术)的简介(背景/思想/特点/优势/未来展望/发展史/系统及其架构)、系统及其架构、场景应用之详细攻略 目录 联邦学习的简介 联邦学习系统及其架构 联邦学习的场景应用 联邦学习的简介 1、联邦学习诞生的背景 背景 随着公众对保护隐私数据诉求的日趋强烈，以及政策制定者也越来越意识到隐私的重要性。同时，在数据实践中，对保护隐私的机器学习的需求也正在上升，对于数据的访问受到越来越多的审查，对联邦
联邦学习隐私保护研究进展
weixin_45585364的博客
07-21 1945
点击上方蓝字关注我们联邦学习隐私保护研究进展王健宗,孔令炜,黄章成,陈霖捷,刘懿,卢春曦,肖京平安科技（深圳）有限公司，广东 深圳 518063摘要：针对隐私保护的法律法规相...
联邦学习之安全聚合SMPC.pptx
02-15
讲述联邦学习安全聚合的PPT完整版，主要讲述了谷歌《Practical Secure Aggregation for Privacy-Preserving Machine Learning》一文中基于安全多方计算的安全聚合方案。
横向联邦学习-梯度安全聚合
老码农
07-08 1776
一 背景 最近总结自己的公众号的时候，发现一个问题：对于联邦学习的文章，基本都是在讲述纵向联邦学习，对于横向联邦学习的技术涉及较少，所以心血来潮之下，决定写几篇文章来压压箱子底。 ❝ 横向联邦：现代移动设备可以访问大量适合学习模型的数据，这些数据反过来可以大大提高设备上的用户体验。例如，语言模型可以提高语音识别和文本输入，图像模型可以自动选择好的照片。然而，这些丰富的数据通常是隐私敏感的、数量很大的，或者两者兼有，这可能会阻止记录到数据中心并使用常规方法在那里进行分析训练。 ❞ 所以针对于此研发人员设计了一
联邦学习之安全聚合SMPC
热门推荐
威化饼的一隅
02-15 1万+
联邦学习之安全聚合联邦学习过程1. 设备选择2. 参数分发3. 本地更新4. 全局更新5.收敛判停DSSGDFedAVG安全聚合SMPCDH密钥交换秘密分享secret share引理1Shamir′s Secret Sharing with 2−out−of−3 (t = 2, n = 3) 联邦学习过程   联邦学习以轮为单位，每轮包含设备选择、参数分发、本地更新和全局更新这4个步骤 1. 设...
联邦学习中的安全聚合SMPC
@毛宏斌
03-24 7832
目录 一、背景 1.1 联邦聚合与FedAVG 1.2 FATE 1.3密钥协商（Key Agreement） 1.4秘密共享（Secret Sharing） 二、安全聚合SMPC 2.1 原理 2.2 单掩码方案 2.4 双掩码完整方案 三、FATE安全聚合（SecureAggregation）的实现 3.1 FATE的安全聚合机制 3.2 FATE安全聚合的实现 四、总结 记录下联邦学习中的安全聚合机制SMPC。 一、背景 1.1 联邦聚合与FedAVG...
横向联邦学习-梯度安全聚合（二）
老码农
07-12 1344
一 背景 最近总结自己的公众号的时候，发现一个问题：对于联邦学习的文章，基本都是在讲述纵向联邦学习，对于横向联邦学习的技术涉及较少，所以心血来潮之下，决定写几篇文章来压压箱子底。 ❝ 横向联邦：现代移动设备可以访问大量适合学习模型的数据，这些数据反过来可以大大提高设备上的用户体验。例如，语言模型可以提高语音识别和文本输入，图像模型可以自动选择好的照片。然而，这些丰富的数据通常是隐私敏感的、数量很大的，或者两者兼有，这可能会阻止记录到数据中心并使用常规方法在那里进行分析训练。 ❞ 所以针对于此研发人员设计了一
虚拟专题：联邦学习 | 联邦学习隐私保护研究进展
weixin_45585364的博客
02-24 1607
来源：大数据期刊联邦学习隐私保护研究进展王健宗,孔令炜,黄章成,陈霖捷,刘懿,卢春曦,肖京平安科技（深圳）有限公司，广东 深圳 518063摘要：针对隐私保护的法律法规相继出...
横向联邦学习-梯度安全聚合1
老码农
07-08 1969
一 背景 最近总结自己的公众号的时候，发现一个问题：对于联邦学习的文章，基本都是在讲述纵向联邦学习，对于横向联邦学习的技术涉及较少，所以心血来潮之下，决定写几篇文章来压压箱子底。 ❝ 横向联邦：现代移动设备可以访问大量适合学习模型的数据，这些数据反过来可以大大提高设备上的用户体验。例如，语言模型可以提高语音识别和文本输入，图像模型可以自动选择好的照片。然而，这些丰富的数据通常是隐私敏感的、数量很大的，或者两者兼有，这可能会阻止记录到数据中心并使用常规方法在那里进行分析训练。 ❞ 所以针对于此研发人员设计了一
（阅读笔记）联邦安全聚合
qq_42328228的博客
10-28 1772
联邦学习场景下的安全聚合协议设计动机协议设计过程安全聚合协议参考文献 设计动机 联邦学习场景下设计安全聚合协议的动机： 处理高维参数或梯度向量； 降低传输通信开销； 应对用户中途退出鲁棒； 用户隐私安全； 协议设计过程 一重掩码 用户u和v (u,v∈Uu, v \in \mathcal{U}u,v∈U)协商掩码：su,vs_{u,v}su,v​； 用户u输入xux_uxu​，加入掩码∑v∈Usu,v\sum_{v \in \mathcal{U}} s_{u,v}∑v∈U​su,v​，输出yuy_uy
联邦学习聚合算法
最新发布
qq_46034128的博客
12-02 1705
k =1表示数据大小指标，k = 2表示设备Di的历史分数，k = 3表示全局模型更新期间的错误数量，k = 4表示局部模型更新与全局模型更新之间的相关性。簇中的客户端将其本地更新同步转发到簇头进行聚合，而所有簇头采用异步方法进行全局聚合。缩放因子被设计为平衡全局模型和局部模型之间的权重。缩放因子被设计为平衡全局模型和局部模型之间的权重。新鲜权重因子在聚合中应给予最近更新的模型更大的权重。层内同步更新局部模型参数，跨层异步更新全局模型。在聚合中应给予最近更新的模型更大的权重。
诚实大多数下抵抗恶意敌手的高效安全三方计算
OpenMpc的博客
04-26 852
本文提出一个新的恶意安全下诚实多数的关于任意函数的安全三方计算协议。该工作基于Araki 等人（CCS'2016）提出的半诚实协议，改进为恶意敌手、诚实大多数模型下的Correct with Abort 安全三方计算协议。
联邦学习的安全机制
weixin_44850744的博客
02-01 1669
虽然在联邦学习的过程中，我们是通过模型参数的交互来进行训练的，而不是交换原始数据，但当前越来越多的研究都表明，即使只有模型的参数或者梯度，也能反向破解原始的输入数据。按照数据收集方式的不同，当前的差分隐私可以分为中心化差分隐私和本地化差分隐私，它们的区别主要在于差分隐私对数据处理的阶段不同。作为一种不需要将密文解密就可以处理密文的方法，同态加密是目前联邦学习系统里最常用的隐私保护机制，例如横向联邦学习里基于同态加密的安全聚合方法、基于同态加密的纵向联邦学习、基于同态加密的联邦迁移学习。
联邦学习笔记
qq_56483157的博客
07-11 339
此外，由于对手的目标是只影响少量数据点的分类结果，同时保持全局学习模型的整体准确性，因此针对非目标攻击的防御通常无法解决目标攻击。是发送方把多条数据基于不同的密钥加密，并将所有公钥发送给接收方，接收方按需使用特定的公钥生成随机数，双方再分别进行异或运算等，最后接收方只会得到特定数据的明文信息，其余数据的运算结果为乱码。例如，上海浦发银行和贵阳的贵阳银行，因为其所在的地域不同，各自所服务的人群有显著的区别，即样本空间不同，但是由于其提供的服务（比如存取款，转账，贷款等等）是大致相同的，即特征空间相同。
隐私计算 2.9 秘密共享应用于横向联邦学习
爱学习爱运动的专栏
06-20 3151
秘密共享应用于横向联邦学习
横向联邦学习
武天旭的博客
03-13 3145
一、横向联邦学习的定义 横向联邦学习也称为按样本划分的联邦学习，主要应用于各个参与方的数据集有相同的特征空间和不同的样本空间的场景，例如两个地区的城市商业银行可能在各自的地区拥有非常不同的客户群体，所以他们的客户交集非常小，并且数据集有不同的样本ID，然而他们的业务模型却非常相似，因此他们的数据集的特征空间是相同的。由此，这两家银行就可以联合起来进行横向联邦学习以构建更好的风控模型。 二、横向联邦学习的架构 横向联邦学习有两种常用的系统架构，分别是`客户-服务器架构`和`对等网络架构`。 2.1、客
TensorFlow加密机器学习框架，为联邦学习加一层保护罩
AI科技大本营
01-01 2934
作者 | Justin Patriquin译者 | 孙薇编辑 | 夕颜出品 | AI科技大本营（ID: rgznai100）【导读】作为一种无需聚合集中数据便可训练模型的方式，联邦学习...
评论
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