本文探讨了联邦学习中的隐私保护方法，重点是差分隐私。本地差分隐私允许数据在发送到服务器前就实现隐私保护，但可能降低数据可用性。分布式差分隐私通过安全聚合或安全洗牌实现，但面临服务器的信任假设和对稀疏向量的处理问题。混合差分隐私则根据用户信任模型灵活应用不同策略。这些方法在提高隐私保护的同时，也存在局限性，如数据可用性和信任假设等挑战。
一文读懂联邦学习：
最热AI金融技术！京东数科万字长文解读“联邦学习”mp.weixin.qq.com
发展现状和前景：
联邦学习/联盟学习 (Federated Learning) 的发展现状及前景如何？www.zhihu.com目前还存在的问题：
https://arxiv.org/pdf/1912.04977.pdfarxiv.org关于隐私问题，目前在联邦学习中经常使用的是安全多方计算（SMC）、同态加密、差分隐私（DP），本文中主要讨论差分隐私的研究进展。
首先先来重温一下差分隐私的公式：
1万+
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
扫一扫
