基于模分量同态加密的隐私数据联邦学习研究OA北大核心
Privacy-preserving Federated Learning Research Based on Confused Modulo Projection Homomorphic Encryption
在当前大数据时代深度学习蓬勃发展,成为解决实际问题的强大工具.然而,传统的集中式深度学习系统存在隐私泄露风险.为解决此问题出现了联邦学习,即一种分布式机器学习方法.联邦学习允许多个机构或个人在不共享原始数据的情况下共同训练模型,通过上传本地模型参数至服务器,聚合各用户参数构建全局模型,再返回给用户.这种方法既实现了全局优化,又避免了私有数据泄露.然而,即使采用联邦学习,攻击者仍有可能通过获取用户上传的模型参数还原用户数据,从而侵犯隐私.为解决这一…查看全部>>
In the current era of big data,deep learning is booming and has become a powerful tool for solving real-world problems.However,traditional centralized deep learning systems are at risk of privacy leakage.To address this problem,federated learning,a distributed machine learning approach,has emerged.Federated learning allows multiple organizations or individuals to train models together without sharing raw data,by uploading local model parameters to the server…查看全部>>
李晓东;李慧;赵炽野;周苏雅;金鑫
北京电子科技学院网络空间安全系 北京 100070北京电子科技学院网络空间安全系 北京 100070北京电子科技学院网络空间安全系 北京 100070北京电子科技学院网络空间安全系 北京 100070北京电子科技学院网络空间安全系 北京 100070
计算机与自动化
联邦学习同态加密深度学习隐私保护分布式学习
federated learninghomomorphic encryptiondeep learningprivacy protectiondistributed learning
《信息安全研究》 2025 (3)
198-204,7
上海市2023年度"科技创新行动计划"区块链关键技术攻关专项项目(23511101400)北京电子科技学院-北京隐算科技有限公司合作横向项目(20230008H0113)中央高校基本科研业务费专项资金项目(20230035Z0114)
评论