- 博客(5)
- 收藏
- 关注
RSS订阅原创 纵向联邦学习及相关算法
二. 纵向联邦学习简单一句话介绍：纵向联邦学习的参与方是用户群体相同，特征空间不同（比如同一地区的银行和电商平台）纵向联邦学习步骤对齐共同用户（不暴露各自数据） 加密模型训练（1） C创建密钥对，将公钥发送给A，B（2) A,B对中间结果进行加密和交换，中间结果帮助计算梯度和损失值（3） A B加密梯度，并加上附加掩码（防止C窥探信息），B还会计算加密损失，A B将结果发送给C（4）C解密 将结果给A B,A B解除掩码，更新模型。接下来介绍算法：安全联邦线性回归和安..
2022-05-20 19:05:43
3344
8
原创 横向联邦学习介绍和相关算法
一. 横向联邦学习横向联邦学习适用于用户群体不同，特征空间相同（比如多个ipad和sever，典型的B-C架构）。先介绍两种种横向联邦学习的架构B-C过程：参与方在本地进行梯度计算，将结果用加密技术掩饰发给server，server进行安全聚合（梯度平均），将结果发送给worker，worker进行解密，更新模型，直到达到收敛。对等网络没有中央服务器，不是批量更新参数，是连续（循环或者随机）更新，达到收敛时间长。之前在《联邦学习-技术层面问题》说过联邦优化算法的中心思想就..
2022-05-20 19:03:02
1584
原创 联邦学习--隐私保护及算法一
开始阅读杨强老师的《联邦学习》。 本周主要学习了隐私保护的机器学习的相关知识，包括面向隐私保护的机器学习（PPML）技术和数据分析（第二章）。 PPML中，敌手被假设违反了机器学习系统的隐私性和机密性（系统的敏感信息，比如训练数据或者训练模型的泄露）。PPML中包括了一些著名的方法，安全多方计算，供隐私保护模型训练和预测使用的同态加密算法，防止数据泄露的差分隐私方法。一 安全威胁模型 为了更好的在机器学习中保护隐私性和完整性，我们先来了解完全威胁模型。在...
2022-05-20 10:52:37
1600
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