- 博客(12)
- 收藏
- 关注
RSS订阅原创 隐语实训10-10-PPML入门基于SPU机器学习建模实践
2.1 SecretFlow-SPU概述系统组件：前端：支持现有的机器学习框架如JAX、PyTorch和TensorFlow。编译器：生成并优化SPU的中间表示（PPHLO），使得机器学习程序可以在MPC环境中高效执行。运行时：通过MPC协议执行PPHLO，确保计算的隐私保护。2.2 设计目标易用性：通过简单的API接口，用户可以轻松将现有的机器学习程序迁移到SPU。可扩展性：支持多种MPC协议，如ABY3、Cheetah、SPDZ2k。高性能：通过编译优化和并行执行，提升计算效率。
2024-07-01 01:51:43
956
原创 隐语实训-11组件介绍与自定义开发
6、打包隐语镜像（更新组件列表及翻译，打包镜像），注册隐语镜像（更新隐语SecretPad平台组件列表，在Kuscia中注册自定义算法镜像）。5、注册组件、将新增组件加入到secretflow.component.entry 的 ALL_COMPONENTS 中。2、声明组件，使用 secretflow.component.component 创建一个组件类。：可通过GitHub和SecretFlow文档查看详细的组件列表，了解每个组件的功能和使用方法。：定义组件的域、名称、版本、属性、输入和输出要求。
2024-07-01 01:31:37
822
原创 隐语实训09-SML入门基于SPU迁移机器学习算法实践
32位浮点数（Single Precision Floating Point）是一种用于表示实数的标准格式，由IEEE 754标准定义。8位定点数常用于嵌入式系统、DSP（数字信号处理）和物联网设备中，这些场景对计算资源和存储空间要求严格，且数值范围和精度需求较低。8位定点数（Fixed Point）是一种用于表示小范围数值的表示方法，适用于嵌入式系统和资源受限的环境。32位浮点数广泛用于科学计算、图形处理、机器学习等需要高精度和大范围数值表示的领域。任务时间上快了一些，通信没什么变化，还是有一定效果的。
2024-06-30 22:54:29
1112
原创 隐语实训08-SPU论文解读
PPHLO是一种基于HLO（高级操作）的定制中间表示，包含一系列操作。每个操作的输入和输出都是张量。PPHLO的主要区别在于张量的类型系统，由<Shape, Data Type, Visibility>三元组表示。Visibility（可见性）决定了张量是否需要保护。类型推导规则。
2024-06-30 17:18:32
671
原创 隐语实训07-纵向树、SS-XGB、SGB
纵向树模型是联邦学习环境中的一个重要应用，特别是在数据隐私保护方面。当特征在Alice处高度集中时（Alice 15个，Bob 1个），SGB的性能在训练集和测试集上都有显著提升，而SS-XGB的提升不明显。SS-XGB的核心在于使用秘密分享技术来保护训练数据和模型的中间计算结果，从而使得模型的训练可以在多个数据持有者之间合作完成，而无需暴露各自持有的原始数据。SGB相比于XGB，结合了联邦学习和同态加密，主要用于纵向联邦学习场景，允许多个机构在不共享原始数据的情况下，共同构建和训练梯度增强决策树模型。
2024-06-30 17:16:02
892
原创 隐语实训06-LR与GLM
连接函数的形式依赖于响应变量的分布，常见的连接函数包括恒等连接（用于正态分布）、对数连接（用于泊松分布）和逻辑连接（用于伯努利分布）。在广义线性模型的训练过程中，连接函数的选择和优化器的应用至关重要。秘密分享是MPC的一种形式，它允许多个参与方共同计算一个函数，而无需将各自的输入数据公开给对方。广义线性模型（GLM）是统计学中用于数据分析的一种灵活的通用模型，特别适用于响应变量服从指数分布族的情况。逻辑回归是广义线性模型的一个特例，适用于响应变量为二分类的情况（如是/否决策）。是特定于分布的函数。
2024-06-19 00:05:29
823
原创 隐语实训05-基于隐私保护的机器学习算法介绍
指南参考链接：https://www.secretflow.org.cn/zh-CN/docs/secretflow/v1.6.1b0/user_guide。
2024-06-15 23:05:15
819
原创 隐语实训04-Windows环境安装隐语
参考链接：https://www.secretflow.org.cn/zh-CN/docs/secretflow/v1.3.0b0/getting_started/installation目前隐语不直接支持Windows，需要通过WSL（Windows Subsystem for Linux）
2024-06-15 01:54:05
890
2
原创 隐语实训-03：隐语架构
同时，通过联邦学习功能，隐语可以在保护数据隐私的同时，让多个机构合作进行机器学习建模，这就好比多个保险柜可以安全地交换信息，共同解决问题。而同态加密库则是隐语的大脑，支持多种算法协议，让数据在被完全加密的状态下也可以进行计算，这就像是能在不打开保险柜的情况下，对里面的金砖进行重新塑形。这相当于为保险柜设置了法律边界和技术规则，确保每次开锁都是合法且安全的。通过这些技术的整合，隐语隐私计算架构为数据的安全处理和分析提供了一个全方位的保护框架，不仅支持多样的技术路线，还为不同需求的用户提供了丰富的功能和工具。
2024-06-13 00:54:44
341
原创 隐语实训02-数据流通中的“信任焦虑”：如何用技术信任消除隐私的阴霾
想象一下，如果数据是市场上的热门股票，那么我们每个人都想要购入一份。但这里有个小问题——在这个数字大爆炸的时代，我们对数据的信任感正经历严冬。每次数据从一个地方流向另一个地方，就像是一部惊悚大片，你永远不知道下一秒会发生什么。数据提供方担心他们的珍贵信息会在夜间神秘消失，而数据使用方则忧心忡忡，怕一不小心就踩进合规性的陷阱。嗯，这就是我们所说的“信任焦虑”。
2024-06-09 23:43:45
183
原创 隐语实训-01
密态计算技术允许在不解密数据的情况下进行计算，这种技术不仅保护了数据的隐私，还极大地扩展了数据使用的可能性。这是一种革命性的技术进步，它将数据安全和效率提升到了一个新的水平。
2024-06-09 23:26:32
394
1
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