第五课 基于隐私保护的机器学习算法介绍

最新推荐文章于 2024-09-16 21:06:28 发布
最新推荐文章于 2024-09-16 21:06:28 发布
阅读量153 收藏
点赞数 3
文章标签： 机器学习 算法 人工智能
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/huang8666/article/details/140608447
版权

第五讲 基于隐私保护的机器学习算法介绍

1.预处理和隐私求交

预处理：

01.DataFrame:

联邦表格数据的封装，DataFrame由多个参与方的数据块构成，支持数据水平、垂直切分和混合切分，分别对应 3 组API：HDataFrame、VDataFrame、MixDataFrame

缺失值填充

02.FedNdarray:

联邦ndarray 的封装，同样由多个参与方的数据块构成，支持水平和垂直切分，对应统一的API：FedNdarray

隐私求交 PSI

是一种使用密码学方法，获取两份数据内容的交集的算法。PSI过程中不泄露任务交集 以外的信息。 在垂直拆分场景中，隐私求交常用于第一步的数据对齐，然后可以进一步做数据分析或机器学习建模

2.决策树模型和线性回归模型

多种决策树算法（XGB），同时支持回归和二分类训练。

SS-XGB SecureBoost 水平XGBoost

huang8666
关注
深度学习核心技术精讲100篇（五十三）-机器学习中的隐私保护
wenyusuran的专栏
07-01 1223
导读：近年来，随着 GDPR 通用数据保护条例出台以及一些互联网公司数据隐私泄漏等事件的发生，数据隐私的保护问题在行业应用中备受关注。与数据密切相关的机器学习算法的安全性成为一个巨大挑战。本文将介绍在机器学习领域中数据隐私安全的相关工作，并介绍第四范式在差分隐私算法效果提升上所做的工作。 主要和大家分享数据隐私的3方面： 隐私保护的问题与案例 基于数据的隐私保护技术：数据匿名化 机器学习模型训练中的隐私保护技术：差分隐私 ▌机器学习中的隐私保护问题 1. 信息隐私 信息隐
隐私保护与人工智能中的机器学习算法
程序员光剑
07-27 1136
作者：禅与计算机程序设计艺术 1.简介 由于近年来人工智能技术飞速发展，使得自然语言处理、计算机视觉等领域取得重大突破，在各行各业都引起了极大的关注。而随着人工智能的应用范围越来越广泛，越来越多的数据被收集到，同时也产生了大量的个人信息。而对于这些数据来说，如何对其进行安全、合规地管理一直是个重要课题。
第 5 课：基于隐私保护的机器学习算法介绍
weixin_42296932的博客
06-17 484
DataFrame跟Pandas的DataFrame API类似，是一个联邦表格数据的封装，由多参与方的数据块构成，支持多种切分模式，即数据水平切分（HDataFrame，每一方特征一致，但是有各自的样本）、垂直切分(VDataFrame，每一方有各自的特征，但是它们的样本是对齐的，一般是先经过PSI对齐后得到的一组数据)和混合切分（MixDataFrame，既有水平切分又有垂直切分）。所谓求交，即获取两份数据内容交集的算法，而隐私求交，是使用密码学方法，在求交过程中不泄露任务交集以外的任何信息。
基于隐私保护的机器学习算法介绍
jdkxjdnn的博客
06-11 509
讲课老师：胡冬文。
第5课 基于隐私保护的机器学习算法介绍
qq_35069025的博客
06-14 282
隐私保护在机器学习中的重要性日益突出。差分隐私、同态加密、联邦学习和安全多方计算是主要的隐私保护技术。未来需要在算法优化、法规政策和跨领域合作方面进一步努力。
读文献--《机器学习隐私保护研究综述》
攀登
11-15 3606
这篇文章是谭作文教授2020年发表在软件学报上的一篇文章。谭作文是江西财经大学计算机系教授，博士研究生导师。中国科学院数学与系统科学研究院访问学者，瑞典Uppsala大学信息技术系访问教授。研究兴趣是密码学、隐私保护、区块链等。在权威学术期刊和信息安全国际会议上发表论文80多篇，第一作者SCI检索论文22篇，主持国家自然基金项目3 项、省部级项目8项，参与国家自然基金项目3 项。 零、摘要 机器学习是如今的核心技术，在模型训练时需要大量数据。如何低成本、高效保护这些数据是一个重要问题。本文介绍机器学习及其隐
精选博客系列｜加速基于同态加密的隐私保护机器学习
VMware中国研发中心
03-02 514
在开源联邦学习框架FATE的 v1.9版本中，VMware与Intel合作将开源的Paillier同态加密加速库IPCL集成到FATE的相关加密流程中，并通过KubeFATE以预览形式发布。而在FATE v1.10.0中，该功能也正式发布。本文介绍了该集成方案和相关核心技术的基本原理和优势，欢迎感兴趣的用户使用。
机器学习算法原理与代码实战案例讲解
程序员光剑
05-24 424
机器学习算法原理与代码实战案例讲解 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 机器学习的本质 机器学习是人工智能的一个分支，其核心目标是让计算机系统能够从数据中学习和改进，而无需进行显式编程。它利用算法和统计
隐私保护机器学习 原理与代码实例讲解
程序员光剑
08-16 615
隐私保护机器学习 原理与代码实例讲解 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 大数据时代下的隐私泄露风险 随着互联网和移动设备的普及，全球数据量呈爆炸式增长。海量数据蕴藏着巨大的价值，但同时也带来
一起对话式学习-机器学习02——机器学习方法三要素
weixin_73074505的博客
09-16 736
机器学习方法=模型+策略+算法 可以理解为：机器学习模型在一定优化策略下使用相应求解算法来达到最优化目标。
通过解预测和机器学习促进蚁群优化
最新发布
太极生两鱼
09-16 580
ML - ACO 算法的第一阶段，使用一组已知最优解的小定向越野问题实例训练一个 ML 模型。具体来说，使用分类模型根据问题特定的特征和统计度量来判断一条边是否属于最优路线。然后，训练后的模型用于预测测试问题实例中图中一条边属于最优路线的 “概率”。在第二阶段，我们将 ML 模型预测的概率值纳入 ACO 算法中，即使用概率值作为启发式权重或用于初始化信息素矩阵。这样做的目的是使 ACO 的采样偏向于那些预测更有可能属于最优路线的边，从而有望提高 ACO 找到高质量路线的效率。
车辆检测与分类系统源码分享
xuehaikj的博客
09-13 1317
数据集信息展示在本研究中，我们采用了名为“comexit”的数据集，以支持对YOLOv8模型在车辆检测与分类任务中的改进。该数据集专注于交通工具的识别，特别是公共交通和货运车辆，具有明确的应用背景和实用价值。数据集的类别数量为三，具体包括“bus”（公交车）、“car”（小汽车）和“truck”（卡车）。这三类车辆在城市交通和物流系统中扮演着重要角色，因此，准确的检测与分类对于交通管理、智能交通系统以及自动驾驶技术的发展具有重要意义。
基于机器学习的乳腺癌肿瘤智能分析预测系统
Python极客之家
09-16 798
本系统致力于通过分析肿瘤的各种特征，如半径、纹理、形状等，利用Matplotlib、Seaborn 等工具进行可视化统计分析，并建立机器学习模型来预测肿瘤是否为恶性，测试集预测 AUC 达到 98.441%。系统的设计目的是为了帮助医疗专业人员更快地做出决策，并为患者提供更及时的治疗方案。
机器学习-梯度下降实验一
yangfreeyyds的博客
09-16 160
【代码】机器学习-梯度下降实验一。
机器学习 vs 深度学习：深入浅出解析两者的区别
进击的码农
09-16 957
机器学习是人工智能的一个子领域，专注于开发能够从数据中自动学习和改进的算法。简而言之，机器学习让计算机通过经验（数据）来“学习”如何完成任务，而无需明确的编程指令。深度学习是机器学习的一个子领域，基于人工神经网络（Artificial Neural Networks, ANN），特别是多层神经网络（即“深”神经网络）。深度学习通过模拟人脑的神经元连接，能够自动提取数据中的高级特征，处理复杂的任务。
人工智能和机器学习：探讨人工智能和机器学习的最新发展、应用、挑战和未来趋势
kelai_6792的博客
09-13 412
人工智能和机器学习的未来趋势主要包括以下几个方面：首先，深度学习和增强学习技术将继续发展，深度学习技术将更加广泛应用于视觉、语音、自然语言处理等领域；最后，人工智能和机器学习将更加注重与人类的协作和互动，以便更好地服务于人类社会的发展。同时，人工智能和机器学习在医疗、金融、物流等领域也得到了广泛的应用。总之，人工智能和机器学习技术的最新发展、应用、挑战和未来趋势是当前科技领域的热点话题，需要我们密切关注和探讨。人工智能和机器学习是当前科技领域的热点话题，其最新发展、应用、挑战和未来趋势备受关注。
机器学习2--matplotlib绘图包
qq_54641174的博客
09-12 498
matplotlib画图
机器学习和深度学习的区别
不会代码的小林
09-11 694
综上所述，机器学习和深度学习在定义与起源、模型复杂度、数据需求、计算资源需求、特征学习能力以及应用范围与场景等方面都存在显著的区别。深度学习：则通常使用多层的神经网络模型，如卷积神经网络（CNN）、递归神经网络（RNN）等，这些模型复杂度高，包含大量的参数，能够处理更加复杂和抽象的问题。机器学习：常用的模型包括线性回归、支持向量机、随机森林等，这些模型相对简单，参数较少，适合处理较为简单的问题。深度学习：需要大量的标记数据来训练复杂的模型，以避免过拟合等问题，对数据的量和质都有较高的要求。
2016机器学习进展：偏见、可解释模型与深度学习趋势
2016年机器学习大盘点（第1篇）回顾了这一年在机器学习和深度学习领域的关键发展趋势，重点关注五个方面： 1. **对于偏见的担忧**：随着机器学习技术在各行业的广泛应用，如刑事判决、保险定价和图像识别等，关于...
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