![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
联邦学习笔记
文章平均质量分 83
联邦学习笔记
牛马的程序员
这个作者很懒,什么都没留下…
展开
-
Boosted Trees 介绍
Boosted Trees 是一种通用的机器学习算法,可以使用不同的损失函数和优化算法来实现。随机森林通过构建多个相互独立的决策树来形成一个强学习器。提升树通过逐步构建多个决策树,每棵新树尝试修正前一棵树的错误预测。原创 2024-06-28 20:50:44 · 311 阅读 · 0 评论 -
SecureBoost:一种无损的联邦学习框架
关键词:联邦学习,隐私,安全,决策树现代社会越来越关注个人数据的非法使用和剥削。在个人层面,个人数据的不当使用可能会对用户隐私造成潜在风险。在企业层面,数据泄露可能对商业利益产生严重影响。不同社会正在采取行动,例如,欧洲联盟已经颁布了一项名为《通用数据保护条例》(GDPR)的法律。GDPR旨在赋予用户对其个人数据更多的控制权【1】【2】【3】【4】。许多依赖机器学习的企业因此开始进行大规模变革。尽管实现用户隐私保护的目标困难重重,不同组织在构建机器学习模型时的协作需求依然强烈。实际上,许多数据拥有者没有足够原创 2024-06-28 20:48:53 · 394 阅读 · 0 评论 -
数字签名和数字证书的关系
数字签名是一种用于验证数字文档或信息的真实性、完整性和身份的技术。在数字签名中,使用一种称为“加密算法”的数学函数对文档进行加密,生成一个与该文档相关的数字字符串,这个数字字符串叫做“签名”。在使用数字签名时,公钥和私钥是成对出现的,私钥只有签名者自己知道,而公钥可以公开。当签名者使用私钥对文档进行签名后,接收者需要使用公钥进行验证签名的真实性和完整性。然而,如果没有数字证书,接收者如何确保公钥的真实性呢?这时数字证书就派上用场了。原创 2023-07-24 16:45:06 · 248 阅读 · 0 评论 -
伪随机函数在密码学中的作用及其应用实例
伪随机函数是一种将随机性应用于输入数据的函数。它接受一个密钥和一个输入,并生成一个伪随机的输出。给定相同的密钥和输入,它会生成相同的输出。对于不同的密钥和输入,输出应当看起来随机且不可预测。在密码学中,伪随机函数起到了很多重要的作用,如密钥派生、加密算法、消息认证码和伪随机数生成等。原创 2023-08-11 09:54:29 · 1587 阅读 · 1 评论 -
哈希函数介绍
哈希函数是一种将任意长度的输入数据映射到固定长度的输出数据的算法。简单来说,哈希函数接收一段数据(可能是文本、文件、数字等),然后生成一个固定长度的输出字符串,这个输出字符串通常被称为哈希值(Hash Value)或摘要(Digest)。确定性:相同的输入总是产生相同的输出。高效性:计算哈希值的速度要快。雪崩效应:输入数据的微小变化会导致输出数据的巨大变化。单向性:从哈希值很难(或者说几乎不可能)推导出原始输入数据。无冲突:两个不同的输入数据产生相同的哈希值的概率非常低。原创 2023-06-29 20:40:24 · 1331 阅读 · 1 评论 -
最详细完整版综述论文翻译“Advances and Open Problems in Federated Learning”
联邦学习的动机与相关的研究领域密切相关。完全去中心化学习(第2.1节)消除了需要中央服务器协调整个计算的需求。除了算法上的挑战,实现这一想法的实际问题还包括需要什么形式的可信中央权威来设置任务。跨数据源联邦学习(第2.2节)允许解决不同类型的建模约束问题,例如数据按示例和/或特征进行分割,并在为客户端制定正式隐私保证或激励机制时面临不同的关注点。分割学习(第2.3节)是一种将模型的执行分割在客户端和服务器之间的方法。它可以提供不同的总体通信约束选项,但仍缺乏关于何时传输的值会透露敏感信息的详细分析。原创 2023-08-11 09:50:54 · 603 阅读 · 1 评论 -
区块链Demo程序演示
该区块链Demo程序是一个简单的区块链实现,用于展示区块链的基本概念和功能。它模拟了一个简化的区块链网络,包括创建区块链、添加交易、挖矿和查看余额等操作。原创 2023-08-17 17:32:19 · 488 阅读 · 0 评论 -
联邦学习算法FedSGD为什么不叫FedGD
在联邦学习中,FedSGD 是一种通用的训练方法,它结合了多个客户端的本地更新。虽然 FedSGD 通常会使用客户端的整个本地数据集进行训练,但它仍然被认为是随机梯度下降的一种变体,因为在整个联邦学习过程中,不是所有客户端的数据都被同时使用。此外,FedSGD 的梯度更新会受到来自不同客户端的噪声影响,这是 SGD 的一个关键特征。总之,尽管 FedSGD 在每个客户端使用全批次数据进行梯度更新,但在整个联邦学习过程中,它仍然涉及随机子集的客户端更新,因此仍然被认为是随机梯度下降的一种变体。原创 2023-04-13 11:28:39 · 745 阅读 · 0 评论