隐私安全
li_jeremy
生活不止眼前的苟且,还有诗和远方的田野
展开
-
Federated Learning for Vision-and-Language Grounding Problems
转载自此处 文章背景 这篇文章的背景是这样的,首先我的每个客户端输入的都是图像,这些图像可以是不同类型的,作者在实验中是用了两个不同的数据集来表示这一点。其次是每个客户端的任务也可以是不同的,比如一部分做视觉问答,另一部分做图像描述。因为他们的任务不一样,所以传统的联邦学习方法就不适用了。作者的方法概括的说就是让服务端去学习一个对应于不同任务的图像表示。具体的我们看下面这张图,可以简单的分为三个阶段,首先第一个阶段客户端在自己的模型上得到一个原始图像表示,也就是一个向量。然后把这个向量发送给服务端。第二个阶转载 2020-10-10 17:24:31 · 722 阅读 · 0 评论 -
TFHE学习简单记录
1.Fully Homomorphic Encrypyion over the Tours,FHE表示全同态加密,T代表环面。 2.实数环面 the real tours T=R/Z=R Mod 1,把实数环面记为(T,+,·)的形式。T表示环面里的结构,+·分别表示加法和数乘(从Z和T到T的映射(外积)),Z表示整数集。 3.实数环面有三个性质:是一个阿贝尔群;拥有Z-module结构;不是一个环(环上的元素之间的乘法没有定义)。 4.除了实数环面我们还可以定义多项式环面。 5.TLWE密文的对称加密:1原创 2020-09-24 08:39:14 · 1430 阅读 · 0 评论