- 博客(7)
- 收藏
- 关注
RSS订阅原创 联邦学习|入侵检测|物联网IoT【FEDGAN-IDS: Privacy-preserving IDS using GAN and federated learning】
联邦学习+生成对抗网络GAN+异常检测
2025-01-13 11:13:55
1127
原创 联邦学习/差分隐私/聚类/稀疏化《Dynamic user clustering for efficient and privacy-preserving federated learning》
联邦学习；聚类；隐私保护；隐私聚合
2025-01-06 20:54:14
1675
原创 联邦学习/差分隐私《User-level privacy-preserving federated learning: Analysis and performance optimization》
联邦学习；差分隐私；本地差分隐私；隐私保护；边缘计算；IoT
2025-01-04 19:40:51
1943
原创 Federated learning with local differential privacy: Trade-offs between privacy, utility, and communi
联邦学习（FL）由于其去中心化结构，允许private地训练大量数据。随机梯度下降（SGD）由于其良好的经验性能而通常用于 FL，但仍然可以从 FL 迭代期间共享的权重更新中推断出敏感的用户信息。我们考虑使用高斯机制在带有 SGD 的 FL 模型中保护用户数据的局部差分隐私 (LDP)。通过使用 LDP 为 FL 定义适当的度量来证明用户隐私、全局效用和传输速率之间的权衡。与现有结果相比，LDP中使用的查询敏感度被定义为变量，并应用了更严格的隐私核算方法。所提出的效用界限允许所有用户使用异构参数。
2025-01-04 14:12:37
1382
1
原创 《A Privacy-Preserving Federated Learning for Multiparty Data Sharing in Social IoTs》联邦学习/贝叶斯差分隐私/加密
随着 5G 和移动计算的快速发展，社交计算和社交物联网 (IoT) 中的深度学习服务在过去几年丰富了我们的生活。具有计算能力的移动设备和物联网设备可以随时随地加入社交计算。联邦学习可以充分利用去中心化的训练设备，无需原始数据，为进一步打破数据孤岛、提供更精准的服务提供了便利。然而，各种攻击表明，当前联邦学习的训练过程仍然受到数据和内容层面披露的威胁。在本文中，我们提出了一种新的联邦学习混合隐私保护方法来应对上述挑战。首先，我们采用先进的函数加密算法，不仅保护每个客户端上传数据的特征
2025-01-03 15:44:43
1842
1
原创 论文笔记《Anonymous and privacy-preserving federated learning with industrial big data》差分隐私；联邦学习；隐私保护
许多人工智能技术已被应用于从海量工业大数据中提取有用信息。然而，许多现有方法通常忽视隐私问题。在本文中，我们提出了一种用于工业大数据挖掘的匿名且保护隐私的联邦学习方案。我们通过实验探讨了共享参数的比例对精度的影响，发现共享部分参数几乎可以达到共享所有参数的精度。在此基础上，我们提出的联邦学习方案通过在服务器和每个参与者之间共享更少的参数来减少隐私泄露。具体来说，我们利用高斯机制在共享参数上的差分隐私来提供严格的隐私保护；测试不同ε和δ对精度的影响；我们跟踪δ——当它达到某个阈值时，训练就会停止。此外
2024-12-30 20:35:01
1681
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