17年发表在CCS Practical Secure Aggregation for Privacy-Preserving Machine Learning

最新推荐文章于 2024-07-21 19:18:55 发布
最新推荐文章于 2024-07-21 19:18:55 发布
阅读量322 收藏
点赞数 7
文章标签： 机器学习 人工智能 密码学
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_52855264/article/details/140154385
版权

 关键词：隐私保护协议；安全聚合；机器学习；联邦学习

创新性：在不泄露用户个体贡献的情况下，安全的聚合高维数据。

容错性：对失败具有鲁棒性，即使任意选择的用户子集在任何时候退出（掉线），也能保持安全性。

安全性证明：针对两种模型（诚实且好奇和活跃敌手）

安全聚合协议的要求：1.能够在高维向量上操作；2.即使在每次实例化时的用户集合都不同，也应具有高效的通信性能；3.对用户的退出具有鲁棒性；4.在服务器介导的、未经认证的网络模型约束下，提供尽可能的安全性。

一次掩码存在问题：

PRG:

双掩码：

Cgujcrg
关注
  • 7
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Secure Single-Server Aggregation with (Poly)Logarithmic Overhead 解读
hbr365的博客
03-23 651
半诚实和恶意场景下的安全聚合的优化相关论文解读
基于MPC的隐私计算技术——隐私聚合
Hyperchain的博客
01-10 1608
导 读 隐私聚合技术是专用于解决MPC安全多方求和问题的一种特殊协议。能够解决该问题的协议有很多种，包括基于加法同态加密的协议，线性秘密分享的协议等等。本文中的隐私聚合是指基于Google在CCS2017上提出的用于解决联邦学习中梯度安全聚合问题的协议在联邦场景下的优化[1]。 初 识 在联邦学习领域中，我们遇到的一个主要问题是，如何保证在分布式训练中梯度聚合时各客户端梯度的数据安全性。服务器若是直接拿到明文梯度进行聚合，虽然是对梯度进行操作，没有直接操作原数据并不会直接泄露隐私数据，但是对于攻击者来
论文阅读-Practical Secure Aggregation for Privacy-Preserving Machine Learning（谷歌.CCS.2017）
nobugnomoney的博客
11-07 465
Practical Secure Aggregation for Privacy-Preserving Machine Learning（CCSm2017谷歌）的详细阅读
联邦学习入门（二）-Practical Secure Aggregation for Privacy-Preserving Machine Learning论文算法详解
wenzhu2333的博客
07-31 7566
本文介绍了一种实用的安全聚合算法（Secure Aggregation Protocol），主要参考了Google的论文Practical Secure Aggregation for Privacy-Preserving Machine Learning 。 谷歌的Bonawitz等人，在2017年的CCS中提出了一种安全聚合加密方案（SMPC），服务器只能看到聚合完成之后的梯度，不能知道每个用户的私有的真实梯度值。这种方法适用于大规模终端（例如手机）通过一个服务器，共同计算各自输入之和的情形，但是前提
隐私计算 2.9 秘密共享应用于横向联邦学习
爱学习爱运动的专栏
06-20 2998
秘密共享应用于横向联邦学习
Federated Machine Learning: Concept and Applications
weixin_30888027的博客
07-22 1616
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ 　　今天的人工智能仍然面临两大挑战。一种是，在大多数行业中，数据以孤岛的形式存在。二是加强数据隐私和安全。我们提出了一个解决这些挑战的可能方案：安全联邦学习。除了谷歌在2016年首次提出的联邦学习框架外，我们还引入了一个全面的安全联邦学习框架，其中包括横向联邦学习、纵向联邦学习和联邦迁移学习。我们为联邦学习框架提供定义、架构和应...
翻译： Communication-Efficient Learning of Deep Networks from Decentralized Data
weixin_41937620的博客
09-23 1242
H. Brendan McMahan Eider Moore Daniel Ramage Seth Hampson Blaise Ag¨uera y Arcas Google, Inc., 651 N 34th St., Seattle, WA 98103 USA 引用量：3025 2021.9.21翻译 ~~~~联邦学习第一篇~~~~ 摘要： 现代移动设备可以获取大量适合学习模型的数据，这反过来可以极大地改善用户在设备上的体验。例如，语言模型可以提高语音识别和文本输入，图像模型可以自动选择好的照
区块链论文总结速读--CCF A会议 USENIX Security 2024 共7篇 附pdf下载
软件工程小施同学 的专栏
05-25 1474
随着基于零知识证明 (ZKP) 的隐私敏感应用程序越来越受欢迎，迫切需要检测 ZKP 电路中的漏洞。本文研究了 Circom（ZKP 电路最流行的领域特定语言）中的常见漏洞，并描述了用于检测这些漏洞的静态分析框架。我们的技术在称为电路依赖图（CDG）的抽象上运行，它捕获电路的关键属性，并允许将语义漏洞模式表达为对 CDG 抽象的查询。我们使用该框架实现了 9 个不同的检测器，并对 GitHub 上热门 Circcom 项目的超过 258 个电路进行了实验评估。
【论文合集】Awesome Backdoor Learning
m0_61899108的博客
05-19 2404
关于后门攻击&防御的博客与论文。
语义分割经典论文翻译1：DFANet:Deep Feature Aggregation for Real-Time Semantic Segmentation(DFANet翻译)-附件资源
03-05
语义分割经典论文翻译1：DFANet:Deep Feature Aggregation for Real-Time Semantic Segmentation(DFANet翻译)-附件资源
Privacy-Preserving Vehicular Communication Authentication with Hierarchical Aggregation and Fast Response
02-22
Existing secure and privacy-preserving schemes for vehicular communications in vehicular ad hoc networks face some challenges, e.g., reducing the dependence on ideal tamper-proof devices, building ...
matlab代码如何加密-Privacy-preserving-smart-metering:PPFA：在智能电网中保护隐私的启用雾的聚合
05-24
对于"Privacy-preserving-smart-metering"项目，其核心在于PPFA（Privacy-Preserving Fog-Aided Aggregation）。在智能电网中，智能电表收集大量用户的用电数据，这些数据如果未经处理直接上传，可能会暴露用户的...
An efficient multi-party scheme for privacy preserving collaborative
10-10
Three protocols have been considered for privacy preservation so that analysis of each protocol is performed separately. The Paillier homomorphic encryption system is also used to calculate the ...
DFAnet：Deep Feature Aggregation for Real-time Semantic Segmentation.pdf
10-23
看完了DFANet，自己有空就翻译了一下，需要的自取
计算机毕业设计Django+Vue.js考研推荐系统 考研分数线预测 中公考研爬虫 混合神经网络推荐算法 考研可视化 机器学习 深度学习 大数据毕业设计
从业计算机毕业设计10年，打算用一年时间分享10年毕设经验！
07-18 1205
计算机毕业设计Django+Vue.js考研推荐系统 考研分数线预测 中公考研爬虫 混合神经网络推荐算法 考研可视化 机器学习 深度学习 大数据毕业设计
机器学习周报第四周（7.15-7.21）
最新发布
weixin_51923997的博客
07-21 1080
本周学习了 batch，以及当 batch size过大或过小时的对比分析。对Momentum与梯度下降相结合进行优化模型的方法进行分析。在进行梯度下降过程中，学习率是一个重要的参数，学习率的大小决定着模型训练的平滑程度和稳定性。本文介绍了如何自动调整学习率，学习率会随着梯度的改变而改变。从而在各个情况下采用合适的学习率。同时也介绍了Adagard算法和Prop算法，Learning Rate Decay和Warm up是机器学习中的优化技术，这两种方式可以改变学习率中的η\etaη，将η\etaη。
【机器学习】马尔可夫模型与隐马尔科夫模型
m0_53700832的博客
07-15 1420
马尔可夫模型（Markov Model）是一种用于描述系统状态随时间变化的数学模型。通俗地说，它是一种预测未来状态的工具，假设未来状态只依赖于当前状态，而不依赖于过去的状态。这种假设被称为“马尔可夫性”或“无后效性”。马尔可夫模型是一种非常有用的工具，用于描述和预测系统状态随时间变化的情况。关键是只考虑当前状态，而不考虑历史状态。这使得模型简单且易于计算，适用于许多实际问题，如天气预测、股票市场分析、语言处理等。初始状态分布π\piπ：描述系统初始时刻各状态的概率。状态转移概率矩阵AAA。
支持向量机（SVM）
qq_44133607的博客
07-18 631
支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。其主要目的是找到一个能够分离不同类别的超平面。
Privacy-Preserving Machine Learning Using Federated Learning and Secure Aggregation
05-04
Federated learning and secure aggregation are two techniques that can be used to achieve privacy-preserving machine learning. Federated learning is a technique where the machine learning model is ...

“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