hbr365的博客

半诚实和恶意场景下的安全聚合的优化相关论文解读

论文：Practical Secure Aggregation for Privacy-Preserving Machine Learning背景介绍在使用机器学习训练模型的时候，我们经常会碰到一些敏感数据。这些数据的价值高，但由于其敏感性让我们无法使用这些数据。然而随着近些年技术的发展，联邦学习和多方安全计算的概念因运而生。通过这些技术，我们可以在保护用户隐私的前提下进行更丰富的数据探索，在不获取用户隐私数据的前提下将这些数据纳入到模型之中，从而实现更好的为用户提供优质服务的目的。针对如何联合

本内容涉及隐私保护技术大体上包含的方面和各领域的初步介绍。由于内容来源较为复杂，引用上仅包含了MPC的论文出处，如有需要添加更多来源信息请私信我。论文：SoK: Training Machine Learning Models over Multiple Sources with Privacy Preservation 下载地址：https://arxiv.org/abs/2012.03386概念隐私保护计算（Privacy-Preserving Computation）