【Data Privacy顶会论文笔记汇总】

VIP文章 已于 2022-08-11 14:00:11 修改
阅读量691 收藏 9
点赞数 1
文章标签： es 文档资料 算法
于 2022-08-03 10:56:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43973955/article/details/126136086
版权
Data Privacy顶会论文笔记汇总

data privacy
联邦学习调研benchmark 汇总

一. 属性推理攻击

  • 联邦学习或协作学习 + 执行主任务(target attribute)的同时 推测参与者的训练数据是否有目标属性

1.Exploiting Unintended Feature Leakage in Collaborative Learning [SP19]

2.Honest-but-Curious Nets Sensitive Attributes of Private Inputs [CCS2021]

  • 纵向联邦学习 + 对被动方发起特征推理攻击

3.Feature inference attack on model predictions in vertical federated learning [ICDE2021]

    最低0.47元/天 解锁文章
    Carolinalongling
    关注
    • 1
      点赞
    • 踩
    • 9
      收藏
      觉得还不错? 一键收藏
    • 0
      评论
    Quantifying Privacy Leakage in Graph Embedding
    qq_40577814的博客
    03-10 368
    本文贡献 本文研究了三种攻击方式：（从黑盒和白盒角度进行分析） 成员推理攻击（深度学习） 图重建攻击（深度学习） 属性推理攻击（随机游走） 成员推理攻击 黑盒设置中有两种 影子模型攻击：利用数据分布的辅助知识 置信度攻击：不使用数据分布的辅助知识 作者通过在cora、citeseer、pubmed上进行实验验证了置信度攻击方法比影子模型方法的准确度高 在白盒设置下，通过图嵌入来区分一个给定节点是否是训练图的一部分 图重建攻击： 给敌手一个子图的图嵌入，训练一个编码器-解码器来从图嵌入中得到整个图 属
    ember-memory-leaks-codemod：用于修复Ember应用程序中的内存泄漏的codemod的集合
    02-05
    余烬内存泄漏代码mod 用于修复Ember应用程序中的内存泄漏的codemod的集合。 请参考以了解有关Ember应用程序中内存泄漏的更多信息。 用法 要从该项目运行特定的codemod，您将运行以下命令： npx ember-memory-leaks-codemod <TRANSFORM> path/of/files/ or/some**/*glob.js # or yarn global add ember-memory-leaks-codemod ember-memory-leaks-codemod <TRANSFORM> path/of/files/ or/s
    Blockchain-based Gradient Inversion and Poisoning Defense for Federated Learning(论文翻译)
    最新发布
    banzixiang的博客
    03-25 824
    摘要：联邦学习已经成为一项有前景的隐私保护机器学习技术，使多个客户能够共同训练一个全局模型，而无需共享原始数据。随着联邦学习在物联网场景中的日益普及，对安全和隐私的担忧变得至关重要。特别是，梯度反转攻击和毒化攻击对全局模型的完整性和效果构成了重大威胁。为此，我们提出了一种基于区块链的全面防御机制，有效保护联邦学习系统免受此类攻击。我们采用了一种新颖的技术组合，包括公共区块链级别的保护和私有区块链级别的保护，二者协同工作，防止攻击者利用获得的梯度重构数据。这种独特的方法组合为联邦学习物联网场景中的梯度反转攻击
    Membership Inference Attacks Against Recommender Systems论文解读
    爱学习爱运动的专栏
    11-22 2074
    0 摘要 1 引言
    《GAN-Leaks: A Taxonomy of Membership Inference Attacks against Generative Models》论文分析
    qq_46007128的博客
    12-13 67
    因此本文采用在与目标生成器训练数据集相关但不相交的数据集上训练参考生成器，通过参考生成器得到的样本参考重构误差去校准目标生成器的重构误差，从而减弱重构误差对样本的依赖性。本文采用Parzen window概率密度估计，并将概率估计如下：（ϕ(x,y)随x，y之间的距离增加呈指数下降，因此仅使用x和y距离最大部分的项即可很好的近似概率。（生成模型的目标即为让生成器生成的样本分布近似训练集样本的分布，因此训练好的生成器其生成样本概率分布是基本等价于训练集分布的）（敌手仅能得到生成器生成的样本）
    联邦学习（FL）安全威胁
    我的个人博客
    08-11 4427
    联邦学习（FL）安全威胁
    最新论文笔记(+18)：Threats to Federated Learning: A Survey
    cryptocxf的博客
    02-22 5928
    Threats to Federated Learning: A Survey (联邦学习面临的威胁：一项调查） 本篇文章是2020年发表在arXiv上的论文，介绍了联邦学习存在的隐私威胁问题，是一篇还不错的综述论文，对理解投毒攻击和推理攻击有很大帮助，以下是我个人看论文的重点记录，可能也有理解不对的地方，建议看原文！ 原文链接：Threats to Federated Learning: A Survey 文章目录预览一、背景与介绍1.2 联邦学习中的隐私泄露二、威胁模型2.1 内部和外部2.2 半城
    Label Inference Attacks Against Vertical Federated Learning
    Seaern的博客
    04-01 1206
    USENIX Security 2022 摘要： 随着欧盟《通用数据保护条例》、中国《中华人民共和国数据安全法》等法案的颁布实施，联邦学习（Federated Learning，FL）作为一种具有隐私保护属性的分布式机器学习模型训练范式，日益被各大互联网公司所重视。 FL中的分支之一，水平联邦学习（Horizontal Federated Learning，HFL）适用于如下场景：各个训练参与者（或称数据提供者，以下统一称为“参与者”）的数据集在特征空间对齐，而在样本空间互不重叠；例如两个不同地域的地
    联邦学习安全么？（数据攻击）
    chen695539389的博客
    08-30 1708
    联邦学习的数据攻击方式 .整理有关联邦学习中数据攻击的几种方式
    【论文导读】 - A Comprehensive Survey on Trustworthy Graph NeuralNetworks（关于可信图神经网络的全面综述) [隐私保护部分]
    热门推荐
    1+1=王的博客
    09-28 1万+
    由于GNN在建模图结构数据方面的强大能力，GNN被广泛用于各种应用，包括高风险场景，如财务分析、流量预测和药物发现。尽管在现实世界中，GNN在造福人类方面具有巨大潜力，但最近的研究表明，GNN可以泄露私人信息，容易受到敌对攻击，可以从训练数据中继承和放大社会偏见，并且缺乏可解释性，这有可能对用户和社会造成意外伤害。例如，现有的工作表明，攻击者可以欺骗GNNs以在训练图上进行不明显的扰动来给出他们想要的结果。在社交网络上接受培训的GNN可能会在他们的决策过程中嵌入歧视，从而加强了令人不快的社会偏见。
    顶会论文 datacenter
    09-13
    A Datacenter Network Architecture for Low Latency, Automation and Virtualization 数据中心网络框架 对于延时
    Big Data goes Personal Privacy and Social Challenges
    09-14
    Big Data goes Personal Privacy and Social Challenges
    BigData大数据学习笔记
    01-03
    BigData大数据学习笔记
    Protecting Privacy in Data Release 无水印pdf
    09-25
    Protecting Privacy in Data Release 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系...
    Data Security and Privacy in Fog Computing
    02-07
    Cloud computing is now a popular computing.paradigm that can provide end users access to.configurable resources on any device, from anywhere,.at any time. During the past years, cloud.computing has ...
    【联邦学习论文笔记1】Label Inference Attacks Against Vertical Federated Learning
    qq_39736373的博客
    07-17 2524
    联邦学习分类水平联邦学习(HFL)——特征空间相同，样本空间不同，如两个区域银行的协作；垂直联邦学习(VFL）——样本空间相同，特征空间不同，如一个银行和一个电商的协作。VFL典型应用场景少数参与者(通常是两个)协同训练一个机器学习(ML)模型，该模型的特征分布在参与者之间，但标签只属于其中一个参与者，因此保护其中一个参与者拥有的标签的隐私应该是VFL提供的基本保障，因为这些标签可能是高度敏感的。...............
    CCF A类会议或期刊----近两年联邦学习相关论文
    Thincor的博客
    03-24 3902
    会议/期刊 论文 neurips2020 Lower Bounds and Optimal Algorithms for Personalized Federated Learning. neurips2020 Ensemble Distillation for Robust Model Fusion in Federated Learning. neurips2020 Personalized Federated Learning with Theoretical Guarante....
    【文献阅读】Label Inference Attacks Against Vertical Federated Learning
    牛了个牛的博客
    09-21 1632
    这篇文章提出了三种针对纵向联邦学习的标签推理攻击方法：被动标签推理攻击、主动标签推理攻击、直接标签推理攻击
    【学习笔记】适可而止：生产联邦学习中针对梯度泄漏的自适应防御
    m0_71291382的博客
    08-19 291
    零基础小白对《More than Enough is Too Much: Adaptive Defenses against Gradient Leakage in Production Federated Learning》一文的学习与理解
    请举例说明:Privacy disclosure,Digital divide ,Data dictatorship ,Data monopoly ,Threat of human’s subject status
    06-11
    For example, if a company sells or shares its customer data with third-party advertisers without the customers' knowledge or permission, that would be a privacy disclosure. - Digital divide: This ...

    “相关推荐”对你有帮助么？

    • 非常没帮助
    • 没帮助
    • 一般
    • 有帮助
    • 非常有帮助
    提交
    评论
    添加红包

    请填写红包祝福语或标题

    个

    红包个数最小为10个

    元

    红包金额最低5元

    当前余额3.43元 前往充值 >
    需支付：10.00元
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包
    实付元
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明：

    1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

    余额充值