- 博客(7)
- 收藏
- 关注
RSS订阅原创 Proofs, Arguments, and Zero-Knowledge读书笔记 --2024年7月7日星期四（Day 5）：
Proofs, Arguments, and Zero-Knowledge读书笔记 --2024年5月9日星期四。
2024-07-07 22:37:44
250
原创 论文阅读--An efficient privacy-preserving and verifiable scheme for federated learning
因为客户端上传的密文梯度的份额，即每个服务器只能收到其中1/2的份额，则当客户端向两个服务器上传密文梯度的份额时候，两个服务器科研进行交叉验证，当验证通过之后，服务器就可以获得对方的密文梯度份额，则可以利用对方的密文梯度份额域自己收到的密文梯度份额整合为一个完整的聚合结果（通过拉格朗日插值定理进行恢复）。：多个客户端（诚实但好奇的）；（3）两个客户端可以互相验证聚合结果的正确性（2）当服务器验证之后，恶意客户端仍然可能会返回恶意聚合结果，当两个服务器返回的结果不一致时，客户端可以找出正确的聚合结果。
2024-06-27 15:55:21
659
1
原创 Proofs, Arguments, and Zero-Knowledge读书笔记 --2024年5月9日星期四（Day 4，P29-P30）：
Proofs, Arguments, and Zero-Knowledge读书笔记。
2024-05-09 23:25:16
365
原创 Proofs, Arguments, and Zero-Knowledge读书笔记-- 2024年5月8日星期三（Day 3，P20-P28）
Proofs, Arguments, and Zero-Knowledge读书笔记。
2024-05-08 22:49:05
503
原创 Proofs, Arguments, and Zero-Knowledge读书笔记 --2024年5月7日星期二（Day 2，P11-P19）
Proofs, Arguments, and Zero-Knowledge笔记。
2024-05-07 23:02:36
551
原创 A Verifiable and Privacy-Preserving Federated Learning Training Framework 笔记-2024年5月7日
我们的贡献的亮点如下：首先，我们是最早研究神经网络训练验证问题的，在联邦学习的一般设置中。最后，我们的框架不依赖于特定的神经网络结构，因此具有广泛的适用性。尽管已有方法被提出用以检查模型更新的有效范围或确保全局模型的收敛，但这些方法不能保证本地训练的正确性，因此无法阻止懒惰的客户端上传没有经过实际训练努力的虚假更新。另一方面，我们观察到在反向传播公式中，神经网络的大部分张量/矩阵操作是重复出现的，因此可以转换为自定义门，如果反向传播被写成电路，可以利用哈达玛积、矩阵重塑、矩阵重索引等优化的交互式证明协议。
2024-05-07 10:18:54
592
原创 Proofs, Arguments, and Zero-Knowledge读书笔记--2024年5月6日星期一（Day 1，P1-P11）
Proofs, Arguments, and Zero-Knowledge笔记--2024年5月6日星期一（Day 1，P1-P11）
2024-05-06 21:10:17
338
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