- 博客(2)
- 收藏
- 关注
原创 笔记:An adaptive federated learning scheme with differential privacy preserving
联邦学习的通信总成本与通信轮数、各参与方的通信消耗、合理学习率的设定以及计算公平性的保证有关。联邦学习框架中的隔离数据策略并不能完全保证用户的隐私安全。针对上述问题,文章提出了一种结合自适应梯度下降策略和差分隐私机制的联邦学习方案,适用于多方协同建模场景。为了适应超大规模分布式安全计算场景,文章引入差分隐私机制来抵御各种背景知识攻击。实验结果表明,在固定通信开销下,所提出的自适应联邦学习模型性能优于传统模型。这种新颖的建模方案对不同的超参数设置也具有较强的鲁棒性,为联邦学习过程提供了更强的可量化的隐私保护。
2024-07-02 11:48:14 727
原创 FRAMH: A Federated Learning Risk-Based Authorization Middleware for Healthcare
现代医疗系统运行在高度动态的环境中,需要自适应的访问控制机制。对于敏感数据和医疗设备的访问,应根据患者当前的健康情况授予或拒绝。为此我们提出了一种新的模型,该模型允许根据表征来源、访问请求类型、患者和与患者条件相对应的估计风险的情景进行动态访问控制决策。本文提出了一种新的基于风险的联邦学习的医疗授权中间件( FRAMH ),支持基于风险的访问控制,以应对不断变化和不可预见的医疗情况。
2024-06-27 14:17:00 935
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人